{
  "fetched_at": "2026-10-19T07:47:58Z",
  "source_url": "https://www.kaggle.com/competitions/2025-competition-apprentissage-i-3-d/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## Description des fichiers :\n- **train.zip**  - archive contenant les 14000 images de l'ensemble d'entraînement </li>\n- **train.csv**  - fichier associant pour chaque image_id de l'ensemble d'entraînement sa classe  </li>\n- **test.zip** - archive contenant les 6000 images de l'ensemble de test </li>\n- **sampleSubmission.csv** - un exemple de soumission dans le format correct</li>\n\n## Champs\n- *ID* - identifiant de l'image (associé au nom du fichier <ID>.png)\n- *Category* - classe de l'image {0,1,2,3,4}\n\n*   **train.csv** - the training set\n*   **sample_submission.csv** - a sample submission file in the correct format\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# Classification d'images biologiques FIB/SEM\n\n## Challenge \nL'imagerie de microscopie électronique à balayage à faisceau d'ions focalisé, ou FIB/SEM, est une modalité permettant d'obtenir des images 3D à très haute résolution. Elle combine un faisceau ionique focalisé (FIB) qui découpe une couche mince à la surface d'un échantillon et un faisceau d’électrons à balayage (SEM) qui image la face du bloc. Dans le contexte biologique, cette modalité permet d’imager des zones de 40 x 40 μm avec une résolution spatiale isotrope de 3 nm sur une profondeur de plusieurs dizaines de micromètres, ce qui offre la possibilité de visualiser de nombreux objets cellulaires. L'imagerie FIB/SEM produit des images de grande taille, de l'ordre de 2048 x 1536 x 500. L'annotation manuelle des différents objets biologiques contenus dans une telle image est très longue et fastidieuse : il est donc crucial de s'appuyer sur des techniques automatisées.\n\n*Coupe d'une image FIB/SEM d'un échantillon biologique. Les mitochondries sont annotées en trait noir*\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2812581%2F84af9f212e6ea9e8467e0a6dd0e6dc64%2Fmito.png?generation=1573221721186729&alt=media)\n\n*En rouge : mitochondries. En vert : reticulum endoplasmique. En bleu : membrane nucléaire. En jaune : membrane cellulaire*\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2812581%2F11eea0e7245a9d59a4d19f0b2156198e%2Fall_classes.png?generation=1573236554246132&alt=media)\n\n\nDans ce contexte, ce challenge propose de classifier des imagettes 2D d'images FIB/SEM selon 5 classes : {autre, mitochondrie, réticulum endoplasmique, membrane nucléaire, membrane cellulaire}. Plus précisément, il s'agit d'identifier la classe du **pixel central** de l'imagette.\n\nLes 5 classes ont pour identifiants :\n- classe 0 : le pixel central n'appartient à aucune classe annotée\n- classe 1 : le pixel central appartient à une mitochondrie\n- classe 2 : le pixel central appartient à un reticulum endoplasmique\n- classe 3 : le pixel central appartient à la membrane nucléaire (membrane délimitant l'intérieur du noyau)\n- classe 4 : le pixel central appartient à la membrane cellulaire (membrane délimitant l'intérieur de la cellule)\n\n\n## Rendu\n- notebook Kaggle ou notebook Colab : pensez à me donner les droits\n- votre code doit être commenté \n- compte-rendu de projet (intégré dans le notebook) justifiant la méthode utilisée et les choix effectués\n### Remerciements\nNous remercions Patrick Schultz, responsable de l'équipe de biologie structurale de l'IGBMC, pour fournir ces images et accepter leur diffusion dans le cadre de ce challenge.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!  \n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## Score\n\nLe score de votre soumission est évalué en calculant le pourcentage d'imagettes classifiées correctement.\n\n## Règles\n\n- soumission d'un fichier **resultat.csv** donnant les résultats de votre méthode de classification sur les 6000 images de l'ensemble de test\n- le classement \"publique\" évalue votre score à partir de 30% des données de test\n- le classement \"privé\"  évaluera votre score à partir de 70% des données restantes : vous n'aurez accès à ce classement qu'à la fin du challenge\n- vous n'avez droit qu'à **deux** soumissions quotidiennes.\n\n## Format de soumission\n\nLe fichier contient une en-tête et 6000 lignes.\nIl a le format suivant :\n```\nID, Category\nimage_id1, category1\nimage_id2, category2\n...\n```",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}