Missions

Au cours de la dernière décennie, les méthodes d'imagerie fondées sur l'apprentissage profond se sont imposées comme un outil de premier plan dans le traitement des images médicales. Bien qu'elles aient montré un succès impressionnant dans diverses tâches de vision par ordinateur, leur application dans le domaine de l'imagerie médicale nécessite des considérations supplémentaires en raison de la nécessité d'un contrôle accru et des limitations associées à la disponibilité réduite des données, en particulier dans l'imagerie en 3D.
L'objectif de ce post-doctorat est de se concentrer sur de nouvelles approches en intelligence artificielle qui, tout en exploitant des cadres d'autodifférenciation approfondie, incorporeront également des modules supplémentaires pour prendre en compte de manière explicite certaines propriétés physiques, les contraintes, ou les connaissances sur la modalité dans la structure du réseau ou le processus d'entraînement.

Activités

Le post-doctorant investigera notamment les concepts suivants:
- Les méthodes nommées “deep unrolling” appliquent itérativement un réseau de neurones profond pour simuler les étapes des algorithmes d'optimisation, permettant une solution approximative à des problèmes complexes tels que la reconstruction, le défloutage, la super-résolution, la segmentation ou la quantification.
- Les méthodes dites “Deep image prior” utilisent la structure et les a priori appris par un réseau de neurones profond pour générer des reconstructions d'images de haute qualité à partir de données d'entrée incomplètes ou corrompues. L'architecture du réseau elle-même sert d’a priori, permettant la génération d'images plausibles sans avoir besoin de données d'entraînement étendues. Des considérations spécifiques à la modalité (TDM, IRM, échographie, nucléaire) ainsi que la modélisation biophysique/biochimique des tissus biologiques seront incorporées dans la conception du réseau pour améliorer les performances et la fiabilité
- Les réseaux de neurones informés (PINNs) calculent la dérivée des sorties estimées afin de mettre à jour des fonctions de perte supplémentaires qui correspondent aux lois physiques ou aux a priori. De cette manière, le réseau est capable d'optimiser (ou d'apprendre) une solution qui doit respecter la physique sous-jacente.

Cette recherche méthodologique sera appliquée à l'un des projets interdisciplinaires du laboratoire suivant:
- Sclérose en plaques et neuroinflammation : des investigations précliniques à cliniques (MUSIC)
- Radiomique pour la caractérisation des tumeurs et la réponse au traitement (TUMOR-ID)
- Imagerie optique tissulaire (TipTop)
- Imagerie multimodale multiparamétrique des lésions des muscles musculo-squelettiques et myocardiques (IDM4)
- Imagerie fonctionnelle et modélisation des poumons (FILM)

Compétences

Doctorat en informatique, en physique ou dans des domaines connexes, avec une expertise dans les techniques d'apprentissage profond et de solides connaissances sur les modalités d'imagerie médicale.
Compétences techniques : Python, Java, C++, librairies en IA (Tensorflow, PyTorch)
Capacités de synthèse écrite et oral
Compétences linguistiques : anglais (lu, écrit, parlé), langue française souhaitée
Qualités rédactionnelles (rapports, publications)
Aptitude au travail en équipe/ collaboratif
Autonomie, capacité organisationnelle et capacité à rendre compte

Contexte de travail

Les activités de recherche du laboratoire CREATIS relèvent du domaine des technologies de la santé et visent à contribuer à la médecine prédictive et personnalisée par le biais de l'imagerie. La recherche interdisciplinaire réunit des experts en traitement et analyse d'images, informatique, physique, instrumentation et radiologie. Les pathologies telles que les maladies cardiaques ischémiques, la sclérose en plaques, les cancers et les AVC font partie des domaines traités à CREATIS. Le post-doctorant sera impliqué dans l'un des projets transversaux du laboratoire avec l'intention de postuler à un poste de recherche junior au sein du laboratoire.