Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

21 mars 2017

Segmentation d'images médicales multimodales à l'aide de méthodes Bayésiennes. Application à l'aide aux traitements contre le cancer


Catégorie : Doctorant


Thèse de doctorat à l'université de Rouen, laboratoire LITIS, Equipe Quantif. Sous la direction de Su Ruan (PR), co-encadrée par Jérôme Lapuyade-Lahorgue (MCF).

Durée : 3 ans.

 

Dans cette thèse de doctorat, nous envisageons d'étudier différents modèles à données latentes et d'étendre ceux existants actuellement afin d'améliorer la segmentation de volumes tumoraux dans les images médicales multimodales ainsi que le pronostic. Dans les modèles à données latentes étudiés, le processus caché représente la classe d'appartenance des voxels (tumeur, absence de tumeur) tandis que le processus observé pourra intégrer diverses informations telles que l'intensité des voxels, la texture, le gradient dans l'image, etc... Dans un premier temps, le doctorant devra étudier les modèles à données latentes classiques tels que les chaînes, les arbres ou les champs de Markov ainsi que les champs aléatoires conditionnels. Il devra également se familiariser avec la notion de copule qui permet de modéliser de manière fonctionnelle la dépendance entre les différentes modalités et de réaliser la fusion des informations contenues dans les différentes modalités. Dans un second temps, la copule sera intégrée aux champs aléatoires conditionnels. Différents modèles de copules et d'observations seront étudiés et nos résultats seront comparés avec ceux des méthodes de l'état de l'art. La méthode proposée sera comparée aux autres méthodes de fusion existantes. Des extensions des techniques pourront également être envisagées, notamment l’incorporation des fonctions de croyance à nos modèles et performer la fusion des données en utilisant entre autres la combinaison de Dempster-Shafer.

De part son orientation multi-disciplinaire alliant biotechnologie et sciences de l'information, la thèse proposée par notre équipe Quantif permet de répondre à la fois aux problématiques posées par les biologistes et médecins et également de développer de nouvelles technologies en rapport avec la segmentation d'images. En supplément du diagnostic tumoral dans les images médicales; ce qui répond aux questions fondamentales des médecins oncologues, les méthodologies proposées peuvent également être appliquées à d'autres types d'images telles que des images SAR ou visibles ainsi qu'à d'autres types de données multivariées.

Profil souhaité

Etudiant ayant effectué un Master II en Mathématiques Appliquées, Statistiques ou Traitement du signal avec de bonnes compétences en traitement d'images. Connaissance en C/C++, Matlab et Java souhaitées. Nous serons également attentif au niveau du candidat (Mention B minimum préférable).

Contacts

Dr. Jérôme Lapuyade-Lahorgue (MCF): jerome.lapuyade-lahorgue@univ-rouen.fr et Pr. Su Ruan (PR): su.ruan@univ-rouen.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.