En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorant H/F en imagerie médicale et IA

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : jeudi 3 décembre 2020

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : FR3423-CHRFER-002
Lieu de travail : POITIERS
Date de publication : jeudi 12 novembre 2020
Nom du responsable scientifique : Thierry Urruty
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 février 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Doctorat en informatique au CNRS : Apprentissage profond interactif pour la détection et segmentation d'anévrisme
Nous proposons d'améliorer la détection automatique de l'IA de manière semi- interactive. Grâce aux dernières avancées sur les systèmes auto-apprenants et sur l'explicabilité des réseaux de neurones, le défi scientifique de cette approche est de faire entrer l'expert médical dans la boucle d'apprentissage de l'approche IA sélectionnée afin d'orienter les choix réalisés pour indexer au mieux les données.
En raison de la grande quantité d'images IRM non annotées disponibles dans un hôpital, nous proposons d'améliorer simplement les résultats de segmentation et classification en les exploitants conjointement avec peu d'images annotées par un expert dans la phase d'apprentissage. Ce processus peut être adapté à presque toutes les techniques et tâches en imagerie IRM (TOF) en utilisant l'auto-supervision. La technique d'auto-supervision introduite par Doersch et al. dans [1] vise à réduire la nécessité d'un grand nombre d'échantillons annotés. Cette technique est basée sur l'apprentissage contextuel [2] et le transfert d'apprentissage [3].
Nous supposons que la mise en œuvre de l'auto-supervision sur un CNN peut guider la tâche d'apprentissage supervisée au sein d'un CNN déjà conçu pour l'analyse d'images IRM [4], réduisant ainsi le taux d'erreur et améliorant la qualité globale de la segmentation et/ou de la classification. A cette tâche d'auto-supervision, nous nous intéresserons à l'indexation interactive des données en permettant à l'expert d'intervenir dans la boucle itérative d'indexation. Le couplage auto-apprenant / interaction permettra d'obtenir un apprentissage performant et dédiée à l'application finale et faisant intervenir un minimum l'expert.
Références
[1] C. Doersch, A. Gupta, and A. A Efros. Unsupervised visual representation learning by context prediction. In Proceedings of the IEEE International Conference on Computer Vision, pages 1422–1430, 2015.
[2]SJ Pan and Q Yang. A survey on transfer learning. ieee transaction on knowledge discovery and data engineering, 22 (10), 2010.
[3] J. Sun and D. W Jacobs. Seeing what is not there: Learning context to determine where objects are missing. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 5716–5724, 2017
[4] A. Fenneteau, P. Bourdon, D. Helbert, C. Fernandez-Maloigne, C. Habas and R. Guillevin. Learning a CNN on multiple sclerosis lesion segmentation with self-supervision 3D Measurement and Data Processing, IS&T Electronic Imaging 2020 Symposium, Jan 2020, San Francisco, United States. Best paper award

Contexte de travail

La thèse s'inscrit dans un projet régional sur l'analyse par intelligence artificielle de la détection et segmentation d'anévrisme. Les partenaires de ce projet sont les CHUs de Limoges et Poitiers et les laboratoires de recherche XLIM et LMA, au sein de la fédération CNRS de recherche MIRES, en Mathématiques et Sciences des données.
Le travail s'effectuera au CNRS, à Poitiers, entre le site du Futuroscope du Laboratoire XLIM à l'Université de Poitiers et le CHU de Poitiers (une dizaine de Kilomètres), dans le cadre du laboratoire commun I3M, entre le CNRS, la société SIEMENS, le CHU et l'Université de Poitiers. Ce laboratoire commun est co-porté par les laboratoires XLIM et LMA, à l'Université de Poitiers, au sein de la fédération de recherche CNRS MIRES. Il exploite les données d'un IRM 7 Tesla, unique en France pour la recherche et la clinique, au CHU de Poitiers.

Contraintes et risques

Courtes missions en France et éventuellement à l'international.

Informations complémentaires

Profil recherché :
Master 2 en informatique ou Bio-Informatique.
Compétences requises :
- Programmation informatique, Machine Learning et Deep Learning (Apprentissage par transfert, GAN, Auto-encodeur, Système auto-apprenants)
- Connaissance en biologie, compréhension de phénomène de RMN, physiologie et physiopathologie de l'anévrisme, histologie lié à l'apparition d'anévrisme (tissu conjonctif)
- Méthode d'imagerie médicale : artériographie, angiographie TOF, IRM
- Anglais : bon niveau
- Avoir fait un stage recherche (une publication est un plus)

On en parle sur Twitter !