Shanel Gauthier

Shanel is a first year M.Sc student at the University of Montreal under the supervision of Irina Rish and Guy Wolf. She holds a B. Eng in Software Engineering from the University of Ottawa where she received the University silver medal and the faculty award of excellence plaque. Before joining UdeM and MILA in 2020, she worked as a Data Scientist for Apption.

She is inspired to help the medical field by applying machine learning and deep learning algorithms. Her current research at MILA is in the field of medical AI, working on a diagnostic study to classify the severity of chronic liver disease on B-mode ultrasound images in affiliation with the Centre Hospitalier de l’Université de Montréal (CHUM). The two main challenges are the limited number of labeled data and the high variability in the data. Different approaches are investigated such as self-supervised learning, scattering transforms, domain prior and active learning. The high-level goal is to be able to construct semantic and useful ultrasound image descriptors. 

                      ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Shanel est étudiante en première année de M.Sc à l'Université de Montréal sous la supervision d'Irina Rish et Guy Wolf. Elle détient un baccalauréat en génie logiciel de l'Université d'Ottawa où elle a reçu la médaille d'argent de l'Université et la plaque du prix d'excellence de la faculté. Avant de rejoindre l'UdeM et la MILA en 2020, elle a travaillé comme Data Scientist pour Apption.

Elle est inspirée pour aider le domaine médical en appliquant des algorithmes d'apprentissage automatique et d'apprentissage en profondeur. Ses recherches actuelles au MILA sont dans le domaine de l'IA médicale, travaillant sur une étude diagnostique pour classer la gravité des maladies chroniques du foie sur des images échographiques en mode B en affiliation avec le Centre Hospitalier de l'Université de Montréal (CHUM). Les deux principaux défis sont le nombre limité de données étiquetées et la grande variabilité des données. Différentes approches sont étudiées telles que l'apprentissage auto-supervisé, les transformées de diffusion, l'apprentissage préalable et actif du domaine. L'objectif de haut niveau est de pouvoir construire des descripteurs d'images échographiques sémantiques et utiles.