L'imagerie par résonance magnétique (IRM) est une technique médicale qualitative largement utilisée qui permet d'imager l'anatomie et les processus physiologiques des patients. Cependant, l'IRM a des capacités de diagnostic limitées et ne permet pas de suivre l'évolution d'une maladie de manière quantitative au fil du temps. Ainsi, deux approches d’imagerie quantitative, la tomographie des propriétés électriques (TPE) et l’empreinte digitale par résonance magnétique (EDRM), doivent être développées.

Objectifs

L'objectif du projet était de promouvoir le développement et la combinaison de la TPE et de l’EDRM, deux techniques basées sur l'IRM capables de produire des images objectives, quantitatives et traçables. Il fallait permettre leur adoption dans la pratique clinique grâce à une caractérisation systématique de leur fiabilité.

Résumé et résultats

Avec plus de 30 millions d’examens par an dans les pays européens, l’imagerie par résonance magnétique (IRM) est l’un des outils tomographiques les plus importants adoptés dans la pratique clinique. Néanmoins, les résultats de l’IRM standard étaient pour la plupart de nature qualitative, à interpréter par un spécialiste lors d’une inspection visuelle, ce qui limitait leur objectivité et leur comparabilité.

Quiero

Le projet européen QUIERO a permis d’évaluer la pertinence de deux techniques prometteuses basées sur l’IRM, la tomographie des propriétés électriques (TPE) et l’empreinte digitale par résonance magnétique (EDRM), pour apporter une « révolution quantitative » en IRM, de sorte que chaque pixel d’image puisse être associé à la mesure (y compris l’incertitude) d’un ou plusieurs paramètres tissulaires.

L’IRM traditionnelle est qualitative et les résultats d’IRM obtenus à des moments et à des endroits différents sont difficiles à comparer. De plus, l’IRM conventionnelle ne peut pas fournir d’informations directes sur la nature de la pathologie.

La TPE peut être utilisée pour obtenir une image quantitative des propriétés diélectriques (c'est-à-dire la conductivité électrique et la permittivité) d'un tissu en utilisant des séquences d'IRM classiques. Par conséquent, la TPE pourrait être utilisée pour mesurer quantitativement des biomarqueurs physiques permettant de suivre l'évolution de la maladie dans le temps.

L’EDRM permet de réaliser une imagerie multiparamétrique totalement quantitative en obtenant tous les paramètres qui contribuent au signal de résonance magnétique, y compris la densité de protons et les temps de relaxation, en une seule acquisition. Cela nécessite de nouvelles approches d’acquisition de données, de post-traitement et de visualisation reposant sur des mesures compressées, la reconnaissance de formes et l’apprentissage par dictionnaire. Comme avec le TPE, l’EDRM pourrait également être utilisée pour surveiller quantitativement l'évolution de la maladie au fil du temps.

Le développement d’approches d’imagerie quantitatives telles que la TPE et l’EDRM a commencé il y a quelques années dans le but d’éliminer la variabilité inter-observateur et de réduire le besoin de procédures invasives (par exemple, les biopsies). L'idée derrière ce domaine de recherche était de permettre l'identification de nouveaux biomarqueurs et de favoriser la détection précoce des maladies, d'optimiser le parcours clinique, d'améliorer la qualité de vie des patients et de réduire la charge économique associée.

Au début du projet, une caractérisation complète de la fiabilité des procédures TPE et EDRM n'avait pas encore été réalisée. Pour commencer à envisager leur utilisation clinique, la communauté médicale avait besoin de connaître le niveau de confiance associé aux résultats TPE et EDRM, mais cela nécessitait une analyse systématique de leurs performances.

La ​​caractérisation de la TPE et de l’EDRM en termes de répétabilité et de reproductibilité nécessitait des objets de test construits artificiellement, appelés « fantômes », avec des composants traçables, validés et surveillés.

Pour les applications in vivo, la variabilité physiologique des paramètres d’un sujet à l’autre (qui est une difficulté de la phase de diagnostic) devait être soigneusement évaluée. De ce point de vue, la synergie possible entre la TPE et l’EDRM, ainsi que l’utilisation de l’intelligence artificielle pour analyser les biomarqueurs correspondants, méritaient d’être explorées pour maximiser le pouvoir diagnostique de l’IRM quantitative.

Le projet a permis le développement, l’amélioration et la mise en œuvre d'algorithmes numériques destinés à être utilisés en TPE et en EDRM ainsi que leur caractérisation. Les deux techniques ont été rendues adaptées à une utilisation pratique dans l’analyse des conditions cliniques « à fort impact ». Le projet a permis d’évaluer la fidélité des procédures TPE et EDRM dans les expériences de résonance magnétique dans des conditions contrôlées.

A l’issue du projet, la caractérisation complète de la TPE et de l’EDRM comme outils de diagnostic dans des conditions réelles a été réalisée.

Impacts scientifiques et industriels

Adoption de la technologie et de l'infrastructure de mesure développées par la chaîne d'approvisionnement des mesures (laboratoires agréés, fabricants d'IRM), les organismes de normalisation (CEN, ISO) et les utilisateurs finaux (hôpitaux et centres de santé, par exemple).

Partenaires

IMBiH (Bosnie Herzegovine)

INRIM (Italie)

LGC (Royaume-Uni)

PTB (Allemagne)

UME (Turquie)

Les maladies cardiovasculaires (MCV) sont les maladies non-transmissibles les plus importantes en Europe, et l'électrocardiographie (ECG) est essentielle pour l'évaluation initiale et le suivi des patients atteints de troubles cardiaques. Il est donc nécessaire de développer un diagnostic et un traitement plus fiables et plus efficaces, qui soient basés sur une analyse multiparamétrique des données de l'ECG.

Objectifs

  • Développer une nouvelle base de données de référence numérique permettant d’évaluer l’incertitude des méthodes
  • Evaluer différentes méthodes de classification pour l’analyse avancée des données
  • Rechercher les applications cliniques de l’analyse multiparamétrique des données

Résumé et résultats

L'ECG joue un rôle primordial pour évaluer les arythmies et les cardiopathies ischémiques, car il s’agit d’un outil non-invasif et rentable. Il est combiné avec d'autres mesures multi-paramétriques, telles que les tests sanguins et l'imagerie multi-modale. Une surveillance ECG continue est recommandée pour investiguer l’arythmie non-diagnostiquée (dite «silencieuse»), entraînant une grande quantité de données qui nécessitent des outils d'analyse automatisés pour la détection et la classification de l'arythmie. Le diagnostic médical, le traitement et la prévention des maladies cardiaques reposent sur des données multi-paramétriques, mais le diagnostic validé de l'arythmie cardiaque par analyse automatisée d'anomalies électrocardiographiques multi-paramétriques n'est pas encore possible.

Récemment, des techniques de diagnostic assisté par ordinateur ont été utilisées pour l'analyse de gros volumes de données de mesure. En particulier, les techniques d'apprentissage automatique ont l’avantage d'être rapides, économiques et automatiques, et présentent la possibilité d'examiner des caractéristiques invisibles à l'œil humain. Cependant, l’un des principaux défis de ces techniques consiste à étudier l’influence de l’incertitude des données et à évaluer celle de la technique elle-même. En particulier, les algorithmes d’apprentissage automatique reposent sur l’exactitude des données d’apprentissage. Toute donnée mal classée peut entraîner un comportement erroné, hautement imprévisible. Il est donc peu aisé d’inciter à la fois les professionnels de la santé et patients à la confiance en ces algorithmes, souvent très complexes. D'un point de vue réglementaire, il existe un fort besoin de validation métrologique des algorithmes utilisant des données de référence communes.

Cependant, l'incertitude des données de référence actuelles n'étant pas connue, son influence sur l'algorithme est imprévisible. L'évaluation quantitative de l'incertitude des approches modernes d'analyse de données, telles que l'apprentissage automatique, est essentielle pour leur acceptation en pratique clinique.

MedalCare

Le projet européen MedalCare avait pour but d’étudier les données de référence d’ECG d'une population virtuelle pouvant faire l'objet d'une évaluation statistique. La base de données ECG doit être représentative d'une population virtuelle avec une quantité suffisamment grande de traces ECG, y compris des variations saines et des pathologies.

Le projet a permis de générer une base de données de référence de signaux ECG synthétiques obtenus à partir de simulations dans une cohorte de modèles représentant la variabilité chez l'homme. La base de données synthétique contient un total de 16 900 ECG.

L’analyse de l'incertitude des données de référence a été réalisée en évaluant la sensibilité de différents paramètres sur les résultats de la modélisation biophysique, ce qui a abouti à une évaluation de l'incertitude des données ECG synthétiques.

Deux méthodes d'analyse de sensibilité ont été sélectionnées et mises en œuvre. L'une d'elles est basée sur l'extraction de caractéristiques et relie les changements des paramètres d'entrée des modèles biophysiques aux changements des caractéristiques de l'ECG. La deuxième méthode est une analyse combinée de la sensibilité aux paramètres d'entrée et de la quantification de l'incertitude pour la série chronologique complète de l'ECG et utilise un modèle de substitution basé sur l'expansion du chaos polynomial.

Le projet a permis d’évaluer et de comparer l'effet de différentes approches de classification axées sur l'analyse de l'incertitude dans deux directions : l'influence de l'incertitude des caractéristiques des données ECG sur la sortie de l'algorithme de classification et l'influence des données d'apprentissage mal étiquetées sur la sortie de la classification.

Enfin, une étude approfondie de l'application clinique de l'analyse de données multiparamétriques a été réalisée. Elle comprend la détection et la classification de l'ischémie et de l'arythmie cardiaques. Une comparaison des performances de médecins expérimentés avec des méthodes d'analyse de données multiparamétriques sera réalisée.

Impacts scientifiques et industriels

  • Développement d’un ensemble de données de mesure synthétique sur l'ECG de référence.
  • Traçabilité des techniques d'analyse des données de maladies cardiovasculaires.
  • Aide aux fabricants pour le développement de nouveaux dispositifs ECG offrant une meilleure fiabilité du diagnostic de maladies cardiovasculaires.

Partenaires

PTB (Allemagne)

NPL (Royaume-Uni)

IMBiH (Bosnie Herzégovine)

Arrhythmia Alliance (Royaume-Uni)

Karlsruher Institut fuer Technologie (Allemagne)

King's College London (Royaume-Uni)

Medizinische Universität Graz (Autriche)

Technische Universität Berlin (Allemagne)

Afin d’aider les industries à évaluer au mieux les incertitudes de mesure, le Comité commun pour les guides en métrologie (JCGM) publie le Guide pour l’expression de l’incertitude de mesure (GUM) qui fournit des instructions, des procédures et des exemples illustratifs. Cependant, l’interprétation et l’application du GUM est difficile pour de nombreux utilisateurs finaux.

Objectifs

Le but de ce projet européen était de fournir un ensemble complet d’exemples nouveaux ou améliorés de méthodes d’évaluation de l’incertitude conformément au GUM et de développer des exemples pouvant être utilisés comme modèles de solutions adaptables pour les problèmes connexes.

Résumé et résultats

De la fabrication au diagnostic médical, les organisations prennent régulièrement des décisions basées sur des données de mesure. La connaissance de l’incertitude associée et de ses impacts sur la qualité peut donc atténuer les défaillances, les risques et contribuer à la diminution des coûts d’exploitation.

Or de nombreux praticiens, notamment dans les laboratoires d’étalonnage et d’essais, admettent avoir des difficultés à interpréter et à appliquer les principes d’incertitude de mesure tels que présentés dans la série de documents GUM. La difficulté réside dans la quantification et la prise en compte de la corrélation entre les quantités dans un modèle de mesure. Les modèles de mesure décrivent la relation entre les quantités d’entrée mesurées ou dont on connait quelque chose et les quantités de sortie d’intérêt (les mesurandes). Dans des domaines tels que l’énergie, l’environnement et les soins de santé, ces modèles sont souvent non linéaires et les quantités mesurées peuvent comporter une incertitude substantielle. Dans presque tous les domaines scientifiques, les incertitudes associées aux quantités de sortie doivent être calculées en fonction des incertitudes d’entrée.

L’approche traditionnelle de la propagation de l’incertitude à travers un modèle utilise le GUM, mais en raison des difficultés citées plus haut, l’incertitude résultante ainsi produite peut ne pas toujours être adaptée à l’objectif.

Ce projet a appliqué le principe « apprendre par l’exemple » pour aider les praticiens avec de nombreux exemples développés pour illustrer le principe. Des exemples soigneusement élaborés ont donc été développés : il s’agit d’exemples pratiques et qui couvrent de nombreux domaines de mesure, capables de fournir des résultats fiables et, dans la mesure du possible, sous une forme qui peut être adaptée aux données et aux connaissances réelles des utilisateurs finaux.

Ce projet a couvert une large gamme d'exemples d'applications d'incertitudes et de solutions dérivées pour les types d'incertitudes de mesure génériques : étalonnage en ligne droite, prise en compte des capacités d'étalonnage et de mesure, évaluation de la conformité pour les matériaux multicomposants.

Ce projet a par ailleurs appliqué les méthodes GUM et Monte Carlo aux exemples d'applications d'incertitudes et aux solutions dérivées pour les types d'incertitudes de mesure génériques afin d'aider les utilisateurs à faire des choix éclairés sur une méthode d'évaluation de l'incertitude appropriée à utiliser.

Enfin, tous les exemples et le matériel didactique générés dans le cadre de ce projet ont contribué à collaborer avec le JCGM/WG1 (la principale partie prenante) et les communautés de la normalisation, de la réglementation et de l'accréditation, pour garantir que les résultats du projet correspondent à leurs besoins.

Un recueil de 620 pages contenant tous les exemples et le matériel didactique a été fourni au JCGM/WG1 et les chapitres pertinents du recueil aux comités internationaux de normalisation.

Télécharger le document

Le document est téléchargeable ICI.

Publications

  • J.A Sousa, E. Batista, O Pellegrino, A S Ribeiro, L L Martins. Method selection to evaluate measurement uncertainty in microflow applications, Journal of Physics: Conf. Series, 1379 (2019), 012033 (doi: 10.1088/1742-6596/1379/9/012033).
  • A.M.H. van der Veen, M.G. Cox. Getting started with uncertainty evaluation using the Monte Carlo method in R. Accred Qual Assur 26, 129–141 (2021). https://doi.org/10.1007/s00769-021-01469-5
  • A.S. Ribeiro, M.C. Almeida, M.G. Cox, J.A. Sousa, L. Martins, D. Loureiro, R. Brito, M. Silva, A.C. Soares. Role of measurement uncertainty in the comparison of average areal rainfall methods, Metrologia 58 (2021), 044001, https://doi.org/10.1088/1681-7575/ac0d49
  • J. Pétry, B. De Boeck, N. Sebaïhi, M. Coenegrachts, T. Caebergs, M. Dobre. Uncertainty evaluation in atomic force microscopy measurement of nanoparticles based on statistical mixed model in a Bayesian framework, Meas. Sci. Technol. 32 (2021) 085008, https://doi.org/10.1088/1361-6501/abe47f
  • J.A. Sousa, E. Batista, S. Demeyer, N. Fischer, O. Pellegrino, A.S. Ribeiro, L.L. Martins, Uncertainty calculation methodologies in microflow measurements: Comparison of GUM, GUM-S1 and Bayesian approach, Measurement 181 (2021), 109589, https://doi.org/10.1016/j.measurement.2021.109589.

Partenaires

BAM (Allemagne)

IMBiH (Bosnie Herzégovine)

INRIM (Italie)

IPQ (Portugal)

LGC (Royaume-Uni)

NEL (Royaume-Uni)

NPL (Royaume-Uni)

PTB (Allemagne)

SMD (Belgique)

VSL (Pays-Bas)

Résumé de la thèse

L'utilisation croissante de solutions technologiques fondées sur des algorithmes d'apprentissage profond a connu une explosion ces dernières années en raison de leurs performances sur des tâches de détection d'objets, de segmentation d'images et de vidéos ou encore de classification, et ce dans de nombreux domaines tels que la médecine, la finance, la conduite autonome, etc. Dans ce contexte, la recherche en apprentissage profond se concentre de plus en plus sur l'amélioration des performances et une meilleure compréhension des algorithmes utilisés en essayant de quantifier l'incertitude associée à leurs prédictions. Fournir cette incertitude est clé pour une dissémination massive de ces nouveaux outils dans l'industrie et lever les freins actuels pour des systèmes critiques notamment. En effet, fournir l'information de l'incertitude peut revêtir une importance réglementaire dans certains secteurs d'activité.

Ce travail expose les travaux menés sur la quantification de l'incertitude au sein des réseaux de neurones. Pour commencer, il est proposé un état des lieux approfondi en explicitant les concepts clés impliqués dans un cadre métrologique. Ensuite, le choix a été fait de se concentrer sur la propagation de l'incertitude des entrées à travers un réseau de neurones d'ores-et-déjà entraîné afin de répondre à un besoin industriel pressant. La méthode de propagation de l'incertitude des entrées proposée, nommée WGMprop, modélise les sorties du réseau comme des mixtures de gaussiennes dont la propagation de l'incertitude est assurée par un algorithme Split&Merge muni d'une mesure de divergence choisie comme la distance de Wasserstein. Le travail est ensuite focalisé sur la quantification de l'incertitude inhérente aux paramètres du réseau. Dans ce cadre, une étude comparative des méthodes à l'état de l'art a été réalisée. Cette étude a notamment conduit à proposer une méthode de caractérisation locale des ensembles profonds, méthode faisant office de référence à l'heure actuelle. La méthodologie proposée, nommée WEUQ, permet une exploration des bassins d'attraction du paysage des paramètres des réseaux de neurones en prenant en compte la diversité des prédicteurs. Enfin, un cas d'application est présenté, consistant en la mesure automatisée de la distribution des tailles de nanoparticules de dioxyde de titane (TiO2) à partir d'images acquises par microscopie électronique à balayage (MEB). Est à cette occasion décrit le développement de la brique technologique utilisée ainsi que les choix méthodologiques de quantification d'incertitudes découlant de ces recherches.

Mots clés

Incertitudes, Apprentissage profond, Réseaux de neurones, Segmentation, Nanoparticules, Mathématiques appliquées

Publications

CROZET M., DEMEYER S., LOURENÇO V., HERRANZ M. and  BODEN S., “Analysis of the comparison of in situ measurements made on biological shielding of the BR3 nuclear reactor”, Journal of Radioanalytical and Nuclear Chemistry, 2022, 331, 2967–2982, DOI: 10.1007/s10967-022-08319-9.

CROZET M., DEMEYER S., LOURENÇO V. and RIVIER C., “New approaches for interlaboratory comparisons analysis using dark uncertainty applied to radioactive materials”, Talanta, 2022, 250, 123394, DOI: 10.1016/j.talanta.2022.123394.

MARMIN S.,  FILIPPONE M., "Deep Gaussian Processes for Calibration of Computer Models (with Discussion)." Bayesian Anal., 2022, 17, 4,  1301-1350, DOI: 10.1214/21-BA1293.

Communications

DEMEYER S., KRISTOFFERSEN S., LE PICHON A., FISCHER N. and LARSONNIER F., “Contribution to uncertainty evaluation associated with on-site infrasound monitoring systems”, EGU General Assembly 2022, Vienne, Autriche, 23–27 mai 2022.

MONCHOT P. ET AL. “Deep Learning based particle size estimation: application to agglomerated titanium dioxide particles measured by scanning electron microscopy”, GDR Intelligence Artificielle en Science des Matériaux (IAMAT), Paris, France, 30 mai – 1er juin 2022.

DEMEYER S., “Training course on measurement uncertainty and software quality for the Western Balkan Countries”, Sarajevo, Bosnie-Herzegovine, 6-7 juillet 2022.

MEZALI, Y., KHALEDI, M. I., COQUELIN, L., REGNIER R. and MARTIN J., “Design of a new measurable approach for the qualification of the behaviour of an autonomous vehicle”, 2022 European Control Conference (ECC), DOI: 10.23919/ECC55457.2022.9838060, Londres, Royaume-Uni, 12-15 juillet 2022.

DEMEYER S., LE SANT V., KOENEN A., FISCHER N., WAEYTENS J. and BOUCHIÉ R., “Bayesian uncertainty analysis of inversion model applied to thermal measurements”, Mathmet 2022, Paris, France, 2-4 novembre 2022.

MARMIN S., “Metrological, Characterisation of quantitative MRI in completely controlled conditions”, Mathmet 2022, Paris, France, 2-4 novembre 2022.

MARMIN S. and FILIPPONE M., “Bayesian Calibration of Computer codes with variational inference of Random feature expansions”, Mathmet 2022, Paris, France, 2-4 novembre 2022.

MONCHOT P., COQUELIN L., MARMIN S., PETIT S., LE PENNEC E. and FISCHER N., “Input uncertainty propagation through trained neural network”, Mathmet 2022, Paris, France, 2-4 novembre 2022.

DEMEYER S., “Metrology: Measurement and uncertainties”, Workshop Metrology for energy nanomaterials, Paris, France, 17 novembre 2022.

MARMIN S. and FILIPPONE M., Webinar dédié à l’article "Deep Gaussian Processes for Calibration of Computer Models", International Society of Bayesian Analysis, (Séminaire en ligne), 6 décembre 2022.

Publications

DEMEYER S., KRISTOFFERSEN SK., LE PICHON A., LARSONNIER F. et FISCHER N., "Contribution to Uncertainty Propagation Associated with On-Site Calibration of Infrasound Monitoring Systems", Remote Sensing, 2023, 15, 7, 1892, DOI: 10.3390/rs15071892.

FLEURENCE N., DEMEYER S., ALLARD A., DOURI S. et HAY B., "Quantitative Measurement of Thermal Conductivity by SThM Technique: Measurements, Calibration Protocols and Uncertainty Evaluation", Nanomaterials, 2023, 13, 17, 2424, DOI: 10.3390/nano13172424.

Communications

COQUELIN L., MONCHOT P., MARMIN S., PETIT S., LE PENNEC E. et FISCHER N., "Input uncertainty propagation in Neural Networks: Application to metrological use cases", Congrès International de Métrologie 2023, Lyon, France, 7-10 mars 2023.

FISCHER N., "Mathmet the Datascience network for metrology", Congrès International de Métrologie 2023, Lyon, France, 7-10 mars 2023.

MARMIN S., "Physiological variability in brain electric conductivity: correcting the effect of the age for the detection of pathological alterations", Mathematical and statistical methods for metrology workshop 2023, Turin, Italie, 30-31 mai 2023.

MONCHOT P., COQUELIN L., PETIT S., MARMIN S., LE PENNEC E. et FISCHER N., "Input uncertainty propagation through trained neural networks", 40th International Conference on Machine Learning, Honolulu, Etats-Unis, 23-29 juillet 2023.

DEMEYER S., "Measurement of thermal conductivity at a nanoscale using Bayesian inversion", ENBIS-23 Valencia Conference, Valence, Espagne, 10-14 septembre 2023.

MARMIN S., "LNE Uncertainty software, A user-friendly software for a validated implementation of the Guide to the Expression of Uncertainty in Measurement", Advanced Mathematical and Computational Tools in Metrology and Testing 2023, Sarajevo, Bosnie Herzégovine, 26-28 septembre 2023.

Publications

DEMEYER S., FISCHER N., and ELSTER C., “Guidance on Bayesian uncertainty evaluation for a class of GUM measurement models”, Metrologia, 2021, 58, DOI: 10.1088/1681-7575/abb065.

DEMEYER S., LE SANT V., KOENEN A., FISCHER N., WAEYTENS J. and BOUCHIÉ R., “Bayesian uncertainty analysis of inversion models applied to the inference of thermal properties of walls”, Energy & Buildings, 2021, 249, 111188, DOI: 10.1016/j.enbuild.2021.111188.

MONCHOT P., COQUELIN L., GUERROUDJ K., FELTIN N., DELVALLÉE A., CROUZIER L and FISCHER N., “Deep learning based instance segmentation of Titanium dioxide particles in the form of agglomerates in scanning electron microscopy”, Nanomaterials, 2021, 11, 4, 968, DOI: 10.3390/nano11040968.

PENDRILL L., ALLARD A., FISCHER N., HARRIS P.M., NGUYEN J. and SMITH I.M., “Software to maximize end-user uptake of conformity assessment”, NCSLI International Measure, 2021, 13, 1, DOI: 10.51843/measure.13.1.6.

SOUSA J. A., BATISTA E., DEMEYER S., FISCHER N., PELLEGRINO O., RIBEIRO A.S. and MARTINS L. L., Uncertainty calculation methodologies in microflow measurements: comparison of GUM, GUM-S1 and Bayesian approach, Measurement, 2021, 181, 109589, DOI: 10.1016/j.measurement.2021.109589.

STROH R., BECT J., DEMEYER S., FISCHER N., MARQUIS D. and VAZQUEZ E., “Sequential design of multi-fidelity computer experiments: maximizing the rate of stepwise uncertainty reduction”, Technometrics, 2021, 64, 2, DOI: 10.1080/00401706.2021.1935324.

Communications

DEMEYER S., “Bayesian method”, Training course on measurement uncertainty evaluation for the Western Balkan Courntries, EMUe project, Sarajevo, Bosnie-Herzégovine, Online course, 22-23 March 2021.

FISCHER N., “Software for measurement uncertainty evaluation”, Training course on measurement uncertainty evaluation for the Western Balkan Courntries, EMUe project, Sarajevo, Bosnie-Herzégovine, Online course, 22-23 March 2021.

MONCHOT P., “Deep Learning based instance segmentation: application to agglomerated titanium dioxide particles measured by scanning electron”, Joint Workshop of ENBIS and MATHMET - Mathematical and Statistical Methods for Metrology (MSMM 2021), Italy, Online worshop, 31 May 2021 - 1 June 2021.

DEMEYER S., “Bayesian uncertainty analysis to estimate thermal properties of Walls from Indirect Measurements”, Twenty-First Symposium On Thermophysical Properties, Boulder, USA, 20-25 June 2021.

COQUELIN L., “Mathematical modeling and algorithms for the aggregation of data from industrial sensor networks”, EURAMET+EUROLAB Workshop on Europe’s digital measurement evolution, Serie of 3 online sessions, 23-24 & 29 September 2021.

DEMEYER S., “Interlaboratory comparison on real concretes statistical analysis”, INSIDER Final Workshop, Avignon, France, 16-17 Sept. 2021.

YARDIN C., “Use the straight-line calibration function in a Bayesian context”, 20e Congrès international de métrologie (CIM 2021), Lyon, France, 7-9 sept. 2021.

YARDIN C., “Procedure to estimate and use a calibration function”, 20e Congrès international de métrologie (CIM 2021), Lyon, France, 7-9 sept. 2021.

DEMEYER S., “Comparisons on concretes within the INSIDER project”, Séminaire 60 ans de la CETAMA, Nîmes, France, 19-21 octobre 2021.

FISCHER N., « Deep Learning : le défi de l’incertitude », Forum Evaluation de l’Intelligence Artificielle, Paris, France, 24 novembre 2021.

MARMIN S., « CAsoft pour l’évaluation de conformité », Journée technique du CFM - Déclaration de conformité : gestion du risque et capabilité du processus de mesure, Paris, France, 2-3 décembre 2021.

Publications

ALLARD A., SMITH I.M., PENDRILL L., “risk-based decision making in conformity assessment”, Precision Magazine, June 2020, Issue 16.

DEMEYER S., FISCHER N., ELSTER C., “Guidance on Bayesian uncertainty evaluation for a class of GUM measurement models”, Metrologia, 2021, 58, DOI: 10.1088/1681-7575/abb065.

PENDRILL L., ALLARD A., FISCHER N., HARRIS P.M., NGUYEN J., SMITH I.M., “Software to maximize end-user uptake of conformity assessment”, NCSLI International Measure, 2021, Vol. 13, No 1, DOI: 10.51843/measure.13.1.6.

ZAFFORA B., DEMEYER S., MAGISTRIS M., RONCHETTI E., SAPORTA G., C. THEIS, , “A Bayesian framework to update scaling factors for radioactive waste characterization”, Applied Radiation and Isotopes, 2020, 159, DOI: 10.1016/j.apradiso.2020.109092.

Communications

ALLARD A., CASoft, “A software to implement JCGM106”, workshop EMUE, janvier 2020, LNE, Paris.

DEMEYER S., FISCHER N., ELSTER C., “Mass calibration revisited”, workshop EMUE, janvier 2020, LNE, Paris.

FISCHER N., « Outils logiciels pour le traitement des données métrologiques », JT CFM Gestion des données de mesure, mai 2020.

DJOUDI A., COQUELIN L., REGNIER R., “A simulation-based framework for functional testing of automated driving controllers”, The 23rd IEEE International Conference on Intelligent Transportation Systems, septembre 2020, Virtual Conference, Greece.

ALLARD A., « CASoft : un logiciel gratuit pour une mise en œuvre simple de la norme NF ISO GUIDE 98-4 », JT CFM Mesure et déclaration de conformité, décembre 2020.

Publications

COQUELIN L., FISCHER N., FELTIN N., DEVOILLE L., FELHI G. “Towards the use of deep generative models for the characterization in size of aggregated TiO2 nanoparticles measured by Scanning Electron Microscopy (SEM)”, Materials Research Express, 6, 8, 085001, DOI:10.1088/2053-1591/ab1bb4

OTAL P., YARDIN C. “Modelling methods for pressure balance calibration”, Measurement Science and Technology, 31, December 2019, DOI: 10.1088/1361-6501/ab5910

Communications

 

COQUELIN L., « Utilisation du Deep Learning en nanométrologie », GT Machine Learning, IRT SystemX, Palaiseau, France, 2019

COQUELIN L., EBRARD G., LEHNERT J., SMITH N., MILIDONIS X., SCHAEFFTER T., CHIRIBIRI A., “Evaluation of the performance of voxel-wise myocardial perfusion quantification methods using a traceable phantom”, ISMRM Conference: 27 th Annual Meeting & Exhibition, Montreal, QC, Canada 11-16 May 2019

FISCHER N., « Le cas de la métrologie : estimation de fonctions d'étalonnage avec quelques points de mesure », Journée Big Ideas for Small Data, SFdS, Paris, France, 13 mai 2019,

DEMEYER S, CROZET M., LOURENÇO V. “Analysis of interlaboratory comparisons with auxiliary information”, Workshop INSIDER, Bilbao, Spain, 20-22 May 2019

PENDRILL L., ALLARD A., FISCHER N., SMITH I, HARRIS P., ”Software to maximize end-user uptake of conformity assessment with measurement uncertainty”, The 19th annual ENBIS, Budapest, Hongrie, 2-4 September 2019

ALLARD A., FISCHER N., SMITH I., HARRIS P., PENDRILL L., “Risk calculations for conformity assessment in practice”, 19th Congrès International de Métrologie, Paris, France, 24-26 Septembre 2019

YARDIN C., “GUM to GUM-S1 evaluation of the calibration straight line”, 19th Congrès International de Métrologie, Paris, France, 24-26 Septembre 2019

FISCHER N., “Towards a new perspective for the GUM”, 19th Congrès International de Métrologie, Paris, France, 24-26 Septembre 2019

OTAL P., YARDIN C., « Etalonnage et modélisation des sections efficaces des ensembles piston-cylindre », 19th Congrès International de Métrologie, Paris, France, 24-26 Septembre 2019

ALLARD A., FISCHER N., SMITH I., HARRIS P., Pendrill, L. “CASoft : practical implementation of risk calculations in conformity assessment”, Mathmet Conference, Lisbon, Portugal, 20-22 November 2019

COQUELIN L., FELHI G., FELTIN N., DEVOILLE L., FISCHER N., “Characterization in size of aggregated nanoparticles measured by SEM: an illustration of deep generative models in metrology”, Mathmet Conference, Lisbon, Portugal, 20-22 November 2019

DEMEYER S., FISCHER N., ELSTER C. “Tutorial for a Bayesian evaluation of measurement uncertainty and its implementation”, Mathmet Conference, Lisbon, Portugal, 20-22 November 2019

Publications

ALLARD A., FISCHER N., “Sensitivity analysis in practice: providing an uncertainty budget when applying supplement 1 to the GUM”, Metrologia, 55, 3, 2018, DOI: doi.org/10.1088/1681-7575/aabd55

LEHNERT J., WÜBBELER G., KOLBITSCH C., CHIRIBIR A.I, COQUELIN L., EBRARD G. G., SMITH N., SCHAEFFTER T. AND ELSTER C., “Pixel-wise quantification of myocardial perfusion using spatial Tikhonov regularization”. Physics in Medicine & Biology, 63 (21), 2018, 215017. DOI: 10.1088/1361-6560/aae758

STROH R., BECT J., DEMEYER S., FISCHER N.  AND VAZQUEZ E., “Integrating hyper-parameter uncertainties in a multi-fidelity Bayesian model for the estimation of a probability of failure”, Advanced Mathematical and Computational Tools in Metrology and Testing XI, Décembre 2018, 349 – 356. ARXIV: 1709.06896

YARDIN C., AMAR S., FISCHER N., SANCANDI M. AND KELLER M.,”Bayesian estimation of a polynomial calibration function associated to a flow meter”, Advanced Mathematical and Computational Tools in Metrology and Testing XI, Décembre 2018, 417 – 426. DOI: 10.1142/9789813274303_0042

 

Communications

OTAL P., YARDIN C. AND FISCHER N., « Etalonnage des balances manométriques et modélisation des sections efficaces des ensembles piston-cylindre », CAFMET, Marrakech, avril 2018

FISCHER N., « Atelier Incertitude de mesure », CAFMET, Marrakech, avril 2018

DEMEYER S., STROH R., BECT J., FISCHE N. R, VAZQUEZ E., « Planification Séquentielle d’expériences en multi-fidélité », Journées de Statistiques, EDF Labs, Saclay, mai 2018

FISCHER N., “Bayesian approach to uncertainty of measurement”, International Seminar - Mathematics, statistics and computation to support measurement quality, St Petersburg, mai 2018

FISCHER N., ”Plans for the GUM New Perspective”, International Seminar - Mathematics, statistics and computation to support measurement quality, St Petersburg, mai 2018

FISCHER N., “Presentation of MATHMET”, International Seminar - Mathematics, statistics and computation to support measurement quality, St Petersburg, mai 2018

 DEMEYER S., STROH R., FISCHER N., “Sequential Design of Experiments to Estimate a Probability of Failure in a Multi-Fidelity Stochastic Simulator”, ENBIS, Nancy, septembre 2018

DEMEYER S., « Intérêt de l’estimation bayésienne de modèles inverses pour l’évaluation de la performance énergétique des bâtiments », AppliBugs, Paris, décembre 2018