Description du sujet de thèse

Super resolution computationelle d’un phenotype cellulaire non vu à l’entrainement.
L'apprentissage profond a rendu possible une augmentation artificielle de la résolution des images de microscopie. Dans des études récentes, des modèles génératifs ont été entraînés pour apprendre une fonction paramétrée entre deux grossissements ou modalités différents. Ces approches sont supervisées parce qu'elles nécessitent un grand nombre d'images appariées. Ce projet propose le développement de méthodes de super-résolution computationnelle basées sur des modèles de diffusion qui ne nécessitent pas d'images appariées et qui sera étendu à la super résolution d’image non vues à l’entrainement. Cette méthode sera appliquée au développement d'un diagnostic portable de l'infection par le paludisme.
Création et développement de modèles d'apprentissage profonds génératifs. Collaboration avec des expérimentalistes de l’Institut Recherche et Development (IRD). Validation sur données réelles. Rédaction d'articles scientifiques.

Contexte de travail

Équipe de Bioimagerie computationelle et Bioinformatique

Contraintes et risques

Travail sur écran