Flavie Lavoie-Cardinal

Membre académique associé

Professeur agrégé, Université Laval, Département de Psychiatrie et de neurosciences

Sujets de recherche

Apprentissage profond

Biologie computationnelle

Biophysique

Détection d'anomalies

IA appliquée

IA en santé

IA pour la science

Modèles de fondation

Modèles génératifs

NeuroIA

Neurosciences

Neurosciences computationnelles

Segmentation d'images médicales

Vision par ordinateur

Site web

Google Scholar

Biographie

La Dre Lavoie-Cardinal est professeure agrégée au Département de psychiatrie et de neurosciences de l’Université Laval, à Québec, ainsi que titulaire d’une Chaire de recherche du Canada (niveau 2) du CRSNG en nanoscopie intelligente de la plasticité cellulaire. Elle est également chercheuse principale au Centre de recherche CERVO et responsable de l’axe Santé et sciences de la vie à l’Institut intelligence et données (IID) de Québec. Elle est corésponsable de l’axe Perception et contrôle du regroupement stratégique Neuro-IA UNIQUE, ainsi que l’une des corésponsables du regroupement Neuro-IA 1 à l’IVADO.

Elle a obtenu son doctorat en chimie en 2011, suivi de deux stages postdoctoraux, dont l’un dans le groupe du Pr Dr Dr Stefan Hell (lauréat du prix Nobel de chimie 2014), portant sur le développement de techniques de microscopie à super-résolution.

Elle dirige actuellement un groupe de recherche composé de 14 étudiants aux cycles supérieurs et au premier cycle, travaillant à l’interface de la microscopie optique, des neurosciences et de l’intelligence artificielle (IA). Son programme de recherche transdisciplinaire vise à développer de nouvelles stratégies de bio-imagerie assistées par l’IA pour révéler la signature moléculaire de la plasticité synaptique altérée, menant à la neurodégénérescence ou aux troubles cognitifs.

Publications

Chronic Stress Exposure Alters the Gut Barrier: Sex-Specific Effects on Microbiota and Jejunum Tight Junctions

Ellen Doney

Laurence Dion-Albert

Francois Coulombe-Rozon

Natasha Osborne

Renaud Bernatchez

Sam E.J. Paton

Fernanda Neutzling Kaufmann

Roseline Olory Agomma

José L. Solano

Raphael Gaumond

Katarzyna A. Dudek

Joanna Kasia Szyszkowicz

Manon Lebel

Alain Doyen

Audrey Durand

Flavie Lavoie-Cardinal

Marie-Claude Audet

Caroline Menard

2023-05-01

Biological Psychiatry Global Open Science (publié)

doi.org

Filtering Pixel Latent Variables for Unmixing Volumetric Images

Catherine Bouchard

Vincent Boulanger

Flavie Lavoie-Cardinal

Christian Gagné

Measurements of different overlapping components require robust unmixing algorithms to convert the raw multi-dimensional measurements to use… (voir plus)ful unmixed images. Such algorithms perform reliable separation of the components when the raw signal is fully resolved and contains enough information to fit curves on the raw distributions. In experimental physics, measurements are often noisy, undersam-pled, or unresolved spatially or spectrally. We propose a novel method where bandpass filters are applied to the latent space of a multi-dimensional convolutional neural network to separate the overlapping signal components and extract each of their relative contributions. Simultaneously processing all dimensions with multi-dimensional convolution kernels empowers the network to combine the information from adjacent pixels and time-or spectral-bins, facilitating component separation in instances where individual pixels lack well-resolved information. We demonstrate the applicability of the method to real experimental physics problems using fluorescence lifetime microscopy and mode decomposition in optical fibers as test cases. The successful application of our approach to these two distinct experimental cases, characterized by different measured distributions, highlights the versatility of our approach in addressing a wide array of imaging tasks.

2023-01-01

arXiv.org (prépublication)

doi.org

Filtering Pixel Latent Variables for Unmixing Volumetric Images

Catherine Bouchard

Vincent Boulanger

Flavie Lavoie-Cardinal

Christian Gagné

2023-01-01

arXiv.org (preprint)

doi.org

Annotation Cost-Sensitive Deep Active Learning with Limited Data (Student Abstract)