Description du sujet de thèse

Contexte scientifique et objectifs
Les avancées récentes en intelligence artificielle, et en particulier en apprentissage profond, ont considérablement transformé le champ de l’analyse et de la synthèse d’images. Ces méthodes surpassent désormais largement les approches traditionnelles, notamment grâce à leur capacité à s’adapter aux données. Le domaine biomédical, caractérisé par la disponibilité de données spécialisées et l’expertise associée des professionnels de santé, constitue un terrain d’application privilégié. Toutefois, la constitution de bases de données annotées demeure limitée, en raison de la complexité, du coût de l’annotation experte, et des contraintes liées à la confidentialité et à la rareté de certaines pathologies.
Dans ce contexte, les modèles génératifs offrent une solution prometteuse pour la génération de données synthétiques réalistes, en particulier lorsque les données réelles sont rares ou déséquilibrées. Le modèle ConText-GAN, développé au sein du laboratoire LIS [1], a déjà démontré son efficacité pour générer des images biomédicales synthétiques pertinentes, notamment pour adresser le déséquilibre de classes fréquent dans ce domaine [2,3]. Ce modèle repose sur un conditionnement explicite via des cartes d’étiquettes associées à des descripteurs de texture (feature maps), permettant un contrôle fin de la génération en termes de géométrie et de réalisme visuel. L’approche « label-to-image » ainsi mise en œuvre permet une génération contrôlée d’images synthétiques variées et de haute qualité.

Sujet de recherche
L’objectif principal de cette recherche est d’explorer et de développer des méthodes génératives pour la synthèse d’images médicales, en assurant un contrôle précis des caractéristiques visuelles, indispensable dans le contexte biomédical. Le cadre méthodologique s’articulera autour des axes suivants :
1. Optimisation du ConText-GAN : amélioration de l’architecture existante, notamment en termes de robustesse, de qualité des images produites, et d’adaptabilité à différentes modalités d’imagerie (IRM, TEP, etc.).
2. Simplification de la création des cartes de caractéristiques (feature maps) : une attention particulière sera portée à l’automatisation de cette étape, actuellement coûteuse en temps et en expertise. Des approches basées sur des prompts (textuels ou sémantiques) ainsi que la génération automatique des étiquettes seront explorées.
3. Extension aux modèles de type Diffusion : en réponse à la diversité des modalités et des besoins, des stratégies de génération contrôlée avec des modèles de diffusion seront investiguées, afin de renforcer la qualité et le réalisme des images synthétiques tout en conservant un contrôle sémantique sur leur contenu.
4. Reconstruction de surfaces par génération contrôlée : un second axe de recherche portera sur le développement de méthodes génératives dédiées à la reconstruction de surfaces anatomiques à partir de jeux d’images. L’objectif est de proposer une stratégie d’extrapolation robuste, capable de restituer des structures 3D cohérentes à partir d’entrées visuelles multiples.

Ce projet s’inscrit dans une perspective interdisciplinaire à l’interface entre vision par ordinateur, modélisation statistique, et traitement de l’image biomédicale. Il vise à répondre aux besoins concrets de la communauté médicale en matière de simulation, d’analyse augmentée et de réduction de la dépendance aux données annotées.

Références :
[1] M.-A. Hostin, S. Attarian, D. Bendahan, M.-E. Bellemare, “ConText-GAN: using contextual texture information for realistic and controllable medical image synthesis”, 2023 IEEE EMBS International Conference on Biomedical and Health Informatics (BHI) (IEEE BHI 2023), Oct. Pittsburgh, USA.
[2] Fortanier E, Michel CP, Hostin MA, Delmont E, Verschueren A, Guye M, Bellemare M-E, Bendahan D, Attarian S. “Quantitative muscle MRI combined with AI-based segmentation as a follow-up biomarker for ATTRv patients: A longitudinal pilot study”. Eur J Neurol. 2025; 32:e16574.
[3] E. Fortanier, M.-A. Hostin, C. Michel, E. Delmont, M. Guye, M.-E. Bellemare, S. Attarian, D. Bendahan, “Comparison of Manual vs Artificial Intelligence–Based Muscle MRI Segmentation for Evaluating Disease Progression in Patients With CMT1A”. Neurology, 2024, 103 (10), ⟨10.1212/WNL.0000000000210013⟩

Contexte de travail

La thèse se déroulera à Marseille, au Laboratoire d’Informatique et des Systèmes (LIS), au sein de l’équipe Images & Modèles, sur le site de St Jérôme.
L’équipe I&M est une équipe d’analyse d’images dont les activités ont pour objectif, à partir de données images, l’extraction de connaissances et l’aide à la décision. Ces activités sont donc tournées vers : l’aide au diagnostic; la planification préopératoire; la morphométrie, l’analyse comportementale; les systèmes d’information.
Le travail de la thèse se tiendra dans un contexte pluridisciplinaire avec des applications médicales fournissant des données et un cadre d’études variées. De nombreux projets d’applications menés avec des cliniciens de l'AP-HM, pourront concerner l’IRM ou l’imagerie microscopique et fourniront un contexte aux différentes propositions issues du travail.