Accueil

Inspirer le développement de l'intelligence artificielle au bénéfice de tous·tes

Un professeur s'entretient avec ses étudiants dans un café/lounge.

Situé au cœur de l’écosystème québécois en intelligence artificielle (IA), Mila rassemble une communauté de plus de 1400 personnes spécialisées en apprentissage automatique et dédiées à l’excellence scientifique et l’innovation.

À propos

À la une

Nouvelles

27 Mai 2026
Cohere et Mila s’associent pour faire progresser l’IA en français québécois, ancrée dans le contexte culturel du Québec
Logo Mila et Cohere
Lire la nouvelle
26 Mai 2026
Torc Robotics s'associe à Mila dans le premier partenariat de l'institut en camionnage autonome afin de faire progresser l'IA physique
logo Mila and Torc Robotics
Lire la nouvelle
26 Mai 2026
Mila et le CIFAR lancent le Cercle consultatif autochtone sur l'IA
Membres du Cercle consultatifs autochtone sur l'IA
Lire la nouvelle
Voir plus de nouvelles

Corps professoral

Fondé en 1993 par le professeur Yoshua Bengio, Mila regroupe aujourd'hui plus de 140 professeur·e·s affilié·e·s à l'Université de Montréal, l'Université McGill, Polytechnique Montréal et HEC Montréal. L'institut accueille également des professeur·e·s de l'Université Laval, de l'Université de Sherbrooke, de l'École de technologie supérieure (ÉTS) et de l'Université Concordia.

Consultez l'annuaire en ligne

Photo de Yoshua Bengio

Publications récentes

Accelerated green material and solvent discovery with chemistry- and physics-guided generative AI
Eslam G. Al-Sakkari
Ahmed Ragab
Marzouk Benali
Olumoye Ajao
Daria C. Boffito
Hanane Dagdougui
2026-05-31
Artificial Intelligence Chemistry (publié)
doi.org
Automated diagnosis of usual interstitial pneumonia on chest CT via the mean curvature of isophotes
Peter Savadjiev
Morteza Rezanejad
Sahir Bhatnagar
David Camirand
Claude Kauffmann
Kaleem Siddiqi
Ronald J. Dandurand
Patrick Bourgouin
Carl Chartrand-Lefebvre
Alexandre Semionov
To test whether the mean curvature of isophotes (MCI), a geometric image transformation, can be used to improve automatic detection on chest… (voir plus) CT of Usual Interstitial Pneumonia (UIP), a determining radiological pattern in the diagnosis of Interstitial Lung Diseases (ILD). This retrospective study included chest CT scans from 234 patients (123 female,111 male; mean age: 61.6 years; age range: 18-90 years) obtained at two independent institutions between 2007 and 2024. Three different classification models were trained on the original CT images and separately on MCI-transformed CT images: (1) a previously published deep learning model for classifying fibrotic lung disease on chest CT, (2) a classification pipeline based on the EfficientNet-V2 convolutional neural network architecture, and (3) a non-deep-learning model based on the functional principal component analysis (FPCA) of density functions of voxel intensity. All models were trained on data from the first institution and evaluated on data from the second institution with the recall-macro, precision-macro and F1-macro scores. Performance difference between classifier pairs was tested with the Stuart-Maxwell marginal homogeneity test. For a fixed model architecture and training algorithm, MCI-transformed images yield comparable or better classification performance than the original CT images. The best performance improvement achieved with MCI compared to CT was: recall-macro 0.83 vs 0.57, precision-macro 0.81 vs 0.50, F1-macro 0.80 vs 0.49, p=4.2e-5. MCI may be a valuable addition to existing AI systems for screening for UIP on chest CT. Machine learning methods for identifying usual interstitial pneumonia on chest CT perform better when the input CT images are transformed via the mean curvature of isophotes (MCI), a geometric transformation method known from classical computer vision. Three machine learning models were trained on a dataset of 158 patients from one institution and tested on another dataset of 76 patients from an independent institution to discriminate for usual interstitial pneumonia (UIP) on chest CT in a 3-group classification task. When keeping the network architecture and parameters fixed, changing the input image domain from the original CT to MCI-transformed images improved classification performance (Stuart-Maxwell test, p < 5e-3) MCI may be a valuable addition to existing machine learning systems for screening for UIP on chest CT, whether based on deep learning or on simpler shallow classifiers.
2026-05-31
European Journal of Radiology Open (publié)
doi.org
Automated robust segmentation of the spinal canal on MRI
Abel Salmona
Sandrine Bédard
Jan Valosek
Kalum Ost
Maxime Bouthillier
Gergely David
Maryam Seif
Armin Curt
Nikolai Pfender
Markus Hupp
Patrick Freund
Tomáš Horák
Petr Kudlička
Josef Bednařík
Fauziyya Muhammad
Zachary A. Smith
Julien Cohen-Adad
2026-05-31
European Journal of Radiology Artificial Intelligence (publié)
doi.org
Refining the construct of direct verbal suggestibility: Evidence for a hybrid dimensional–typological latent structure
Jérémy Brunel
Audrey Vanhaudenhuyse
Julie Delage
Karim Jerbi CoCo Lab
Pierre Rainville
David Ogez
Mathieu Landry
2026-04-30
Personality and Individual Differences (publié)
doi.org
Voir plus de publications
Mila Ventures

Mila Ventures

Notre branche de capital de risque cultive la prochaine génération d'entreprises, soutenues par l'écosystème de recherche en IA de classe mondiale de Mila. Nous investissons dans des fondateurs·rices visionnaires qui bâtissent à la frontière des technologies de pointe, de l'IA, des STIM et au-delà.

Nous croyons que l'avenir sera façonné par les entrepreneur·e·s scientifiques.

En savoir plus

Une personne regarde un ciel étoilé.