Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 janvier 2020

Stage Master II: Segmentation non supervisée d'images par des modèles de variétés différentielles Riemanniennes


Catégorie : Stagiaire


L’équipe Quantif (Quantification en Imagerie Fonctionnelle) est focalisée sur les techniques relatives à l'imagerie médicale. Cette équipe est insérée dans le laboratoire LITIS (Laboratoire d'Informatique, de Traitement de l'Information et des Systèmes) de l'université de Rouen. Quantif est une équipe multidisciplinaire incluant aussi bien des spécialistes en traitement du signal et des images, des informaticiens, des médecins oncologues et des physiciens radiologues. Durant le stage proposé, l'étudiant sera amené à améliorer la détection de volumes tumoraux à partir d'images IRM. L'objectif de ce stage est d'utiliser les méthodes d'apprentissage profond (Deep learning) non supervisées pour segmenter des images médicales.

 

Durant ce stage, le stagiaire devra améliorer une architecture de type auto-encodeur en proposant une méthode de clustering basée sur la géométrie différentielle Riemannienne. Un tel réseau de neurones se compose d'un auto-encodeur permettant d'obtenir les caractéristiques principales des images. Les caractéristiques seront supposées comme étant des éléments d'une variété différentielle riemannienne, c'est à dire une variété différentielle munie d'une distance "euclidienne". Cette distance sera utilisée comme fonction de perte Lc dans notre réseau de neurones. Dans ce stage, l'étudiant sera alors amené à étudier des algorithmes alternatifs à la méthode K-means tels que KernelPCA, Isomap ou Laplacian Eigenmap; méthodes permettant à la fois de connaître la géométrie de la variété et le clustering des caractéristiques. Ce stage pourra conduire à la poursuite en thèse de doctorat, ainsi nous serons très exigent sur le niveau du candidat.

Compétences requises:

- Informatique: Python, compétence en C, C++ ou Java sont un plus.

- Mathématiques: De solides compétences en statistiques, en traitement du signal et de l'image et en géométrie différentielle sont absolument nécessaires. Des connaissances en analyse numérique, EDP, seront également appréciées. Nous privilégierons les étudiants de filière mathématiques fondamentales ou mathématiques appliquées.

-Anglais: Niveau technique requis.

Contacts:

- Jérôme Lapuyade-Lahorgue: jerome.lapuyade-lahorgue@univ-rouen.fr

- Su Ruan: su.ruan@univ-rouen.fr

- Amal Mahboubi <amal.mahboubi@unicaen.fr>

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.