Missions

Vous serez en charge de développer des outils basés sur l'IA pour quantifier en 3D les données TEP en fonction du temps.

Activités

Avec l'amélioration des techniques d'imagerie médicale, les données générées sont de plus en plus volumineuses. Les modèles d'apprentissage profond sont devenus l'un des principaux moyens de traiter les données d'imagerie médicale. Toutefois, à ce jour, aucun modèle d'apprentissage profond n'a été développé pour traiter spécifiquement les données 4D.

L'imagerie TEP dynamique offre une occasion unique d'étudier la distribution et l'interaction des traceurs dans le cerveau, ce qui permet de quantifier les processus biologiques au niveau moléculaire. Cependant, les méthodes de quantification traditionnelles reposent sur une modélisation compartimentale complexe, qui nécessite des fonctions d'entrée artérielles et une estimation poussée des paramètres, ce qui rend le processus gourmand en ressources et moins accessible pour une utilisation clinique de routine. Lors d'expériences préliminaires, une architecture 3D basée sur l'UNet a permis de segmenter efficacement des images TEP 4D en considérant chaque point temporel comme des entrées de canal différentes. Cependant, la modélisation TEP nécessite de prendre en compte la dynamique du traceur à chaque point temporel et la relation entre les images, ce qui n'est pas le cas dans un réseau 3D. Cependant, un réseau entièrement quadridimensionnel serait impossible à entraîner avec les capacités matérielles actuelles en raison de la croissance exponentielle du nombre de paramètres entraînables lors de l'ajout d'une nouvelle dimension.

L'objectif général de ce projet est de développer des outils basés sur l'IA pour quantifier en 3D les données TEP en fonction du temps. À cette fin, nous proposons le développement d'une architecture d'apprentissage profond basée sur les ondelettes 4D capable d'apprendre la dynamique du traceur entre les images. Une ouverture sur le domaine des réseaux neuronaux informés par la physique sera également envisagée. Ce travail s'appuiera sur des données acquises dans le cadre de protocoles cliniques couvrant plusieurs années, pays, machines et traceurs. L'objectif sera donc d'apprendre le comportement sous-jacent du signal en fonction du traceur afin de reconstruire des cartes quantitatives utilisables dans un contexte clinique.

Compétences

- Diplôme de doctorat en analyse d'images médicales, en informatique et/ou en mathématiques appliquées.
- Connaissance des modèles génératifs profonds (VAE, GAN, modèles de diffusion)
- Connaissance du traitement d'images et de l'imagerie médicale
- Compréhension des concepts physiques liés à l'imagerie TEP
- Compétences en programmation en Python, connaissance des frameworks d'apprentissage profond tels que Pytorch ou TensorFlow.
- Expérience dans le développement de logiciels et l'utilisation du HPC
- Bonnes compétences rédactionnelles

Contexte de travail

Vous travaillerez au sein de l'équipe ARAMIS (www.aramislab.fr) de l'Institut du Cerveau (https://institutducerveau-icm.org), l'un des meilleurs instituts de recherche en neurosciences au monde. L'institut est idéalement situé au cœur de l'hôpital de la Pitié-Salpêtrière, au cœur de Paris. L'équipe ARAMIS, qui fait également partie d'Inria (l'Institut national de recherche en sciences et technologies du numérique), se consacre au développement de nouvelles approches pour l'analyse de grands jeux de données cliniques et de neuroimagerie. Vous interagirez localement avec les doctorants, les post-doctorants et les ingénieurs de l'équipe, ainsi qu'avec nos collaborateurs de l'hôpital de la Pitié-Salpêtrière. Vous interagirez également avec les chercheurs de PR[AI]RIE, l'Institut Interdisciplinaire d'Intelligence Artificielle de Paris (https://prairie-institute.fr). L'équipe d'encadrement sera composée de Ninon Burgos, chercheuse CNRS.