Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

7 mai 2019

Thèse en imagerie médicale


Catégorie : Doctorant


Thèse en imagerie médicale (2019-2022): Apprentissage profond pour le BigData en neuroimagerie

Directeur de thèse : Dr. Pierrick Coupé / LaBRI UMR 5800 (pierrick.coupe@labri.fr)

Laboratoire : Laboratoire Bordelais de Recherche en Informatique, Université de Bordeaux

Financement : Agence Nationale de la Recherche (ANR)

Collaborateurs :

  • Laboratoire d’informatique : Pr. Vincent Lepetit et Dr. Vinh-Thong Ta

  • CHU de Bordeaux : Dr. Thomas Tourdias

  • Institut des neurosciences : Dr. Gwenaëlle Catheline

  • Université polytechnique de Valence (Espagne) : Pr. José Manjon

 

Contexte :

  1. L'imagerie par résonance magnétique (IRM) joue un rôle crucial dans la détection de pathologies, l'étude de l'organisation cérébrale et la recherche clinique. Chaque jour, une grande quantité de données est produite et ce nombre ne cesse d’augmenter, empêchant l'utilisation d'approches manuelles afin de les analyser. Ainsi, le développement de techniques de segmentation fiables, robustes et rapides devient un domaine important pour l’analyse quantitative des IRM. Dans ce projet de thèse, l'objectif est de développer une nouvelle génération de méthodes d'analyse quantitative des IRM pouvant faire face à la montée du BigData en neuroimagerie. Les méthodes proposées seront mises à disposition à l'ensemble de la communauté via notre plateforme volBrain (http://volbrain.upv.es) [1]. Ce projet se déroule dans le cadre d’un projet soutenu par l’agence nationale de la recherche.

  2. Objectifs :

    Le premier objectif sera de développer de nouvelles méthodes de segmentation d’IRM en s'attaquant aux limites actuelles de l'apprentissage profond (AP). L’AP est un domaine en plein essor en vision par ordinateur. Cependant, les résultats obtenus par l’AP en segmentation des IRM sont encore assez limités. Dans le cadre de cette thèse, le candidat proposera donc une nouvelle génération de méthodes de segmentation capable de lever les limites actuelles de l’AP en imagerie médicale.

    Le second objectif portera sur le développement de méthodes innovantes afin d’assurer la véracité des résultats produits. Un contrôle qualité automatique reposant sur l’intelligence artificielle sera donc intégré dans la chaine de traitement proposée. Avec l’arrivée du BigData en neuroimagerie, cette étape est devenue un enjeu crucial dans le domaine.

    Enfin, le candidat intégrera les outils développés au sein de notre plateforme volBrain. Cette plate-forme propose un service gratuit et en accès libre à l’ensemble de la communauté scientifique. Elle compte 3000 utilisateurs à travers le monde et a déjà traité 140 000 IRM. Cet environnement unique donnera une visibilité internationale à ce travail de thèse.

  3.  

    Environnement

    Le candidat évoluera au sein d’un consortium regroupant des experts internationaux en imagerie médicale [2], intelligence artificielle [3], traitement de l’image [4], analyse BigData [5], ou encore neuroscience [6]. Le candidat bénéficiera de l’environnement matériel du Laboratoire Bordelais de Recherche en Informatique (serveurs GPU, plate-forme de calcul, etc...). Il sera également en collaboration permanente avec les cliniciens et les neuroscientifiques impliqués dans le projet. De plus, ce projet s’intègre dans une collaboration de longue date avec l’Université Polytechnique de Valence (Espagne) autour de la plate-forme volBrain. Le candidat aura donc l’opportunité d’effectuer des missions en Espagne lors de l’intégration de ses méthodes dans la plate-forme web.

    Profil du candidat

    Le candidat (diplôme d'ingénieur grande école ou Master 2) doit avoir de solides bases en apprentissage profond et apprentissage machine. Il doit également avoir des compétences en traitement d'image et en programmation. Une bonne maitrise de Python, Keras et tensorflow est fortement recommandée. Un bon niveau d'anglais en lecture/écriture est également un élément clé. Un intérêt pour l'imagerie médicale est un plus.

    Pour postuler, envoyez un dossier contenant un CV, une lettre de motivation, vos relevés de notes, la liste de vos publications (si disponible), le contact de 2 référents pouvant attester de vos compétences ainsi que tout document susceptible de renforcer votre candidature.

    Le début de la thèse est prévu en septembre 2019 pour une durée de 3 ans.

    Références

    [1] J. V. Manjon and P. Coupé. volBrain: an online MRI brain volumetry system. Frontiers in Neuroinformatics, 30:10, 2016
    [2] P. Coupé, J. V Manjon, V. Fonov, J. Pruessner, M. Robles, D. L. Collins. Patch-based Segmentation using Expert Priors: Application to Hippocampus and Ventricle Segmentation. NeuroImage, 54(2): 940– 954, 2011.

    [3]

    [4] Tola E, Lepetit V, Fua P. Daisy : An efficient dense descriptor applied to wide-baseline stereo. IEEE PAMI. 2010(5):815-30.
    [5] P. Coupé, J. V. Manjon, E. Lanuza, G. Catheline. Lifespan changes of the human brain in Alzheimer's disease. Nature Scientific Report, 2019.

    [6] P. Coupé, G. Catheline, E. Lanuza, J. V. Manjon. Towards a unified analysis of brain maturation and aging across the entire lifespan: A MRI analysis. Human Brain Mapping, Human Brain Mapping, 38 (11), 5501-5518, 2017

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2019.