Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

30 novembre 2020

Machine Learning pour le diagnostic des frottis sanguins


Catégorie : Post-doctorant


Il s'agit de proposer des techniques d'IA pour caractériser automatiquement sur un simple frottis sanguin les principales cellules sanguines, hématies, leucocytes et plaquettes dans une perspective de diagnostic précoce et de suivi des patients. Le projet repose sur une technique de microscopie augmentée par holographie de synthèse, produisant un volume important de données qui nécessite pour une exploitation efficace, l'usage des outils de l'Intelligence Artificielle.

 

Ce post doc rentre dans le cadre du projet TAMIS, lauréat de l’appel à projets « L’IA pour une expérience améliorée du système de santé » soutenu par BPI France et le Health Data Hub.

TAMIS vise une caractérisation automatique fine sur un simple frottis sanguin des principales cellules sanguines, hématies, leucocytes et plaquettes dans une perspective de diagnostic précoce et de suivi des patients. Le projet repose sur une technique de microscopie augmentée par holographie de synthèse, produisant un volume important de données qui nécessite pour une exploitation efficace, l'usage des outils de l'Intelligence Artificielle.

Ces techniques d'holographie permettent d'accéder à l'intensité et la phase de l'objet étudié qui code une information sur son volume en 3D. Elles devraient permettre de surpasser les limites des systèmes actuels de détection automatique des anomalies sanguines.

L'objectif de ce post-doc est d'une part de proposer des algorithmes IA fiables pour la détection et classification de globules blancs anormaux, de plaquettes et de schizocytes, adaptés à ce type d'images et d'évaluer l'apport du surplus d'information apporté par la microscopie augmentée.

D'autre part, Il s'agira de faire progresser l'état de l'art en IA en étudiant en particulier :

- la problématique de la réduction du coût de l'étiquetage des données pour l'apprentissage à partir d'exemples en s'intéressant entre autres aux approches non supervisées ou semi-supervisées.

- d'explorer des techniques de segmentation non supervisée des images dans une étape de pré-classification permettant de guider une classification automatique ou experte.

 

Le post-doctorant sera impliqué dans les différentes tâches du projet. Dans ce cadre, une partie du travail sera dédiée à la définition de métriques d'évaluation pertinentes et à la validation en concertation avec les exigences des partenaires industriels et cliniques.

 

Partenaires du projet : Télécom SudParis, AP-HP, TRIBVN, hôpital Avicenne.

Qualités demandées : Thèse dans le domaine Machine Learning appliqué à l'image, goût pour le travail en équipe, rigueur scientifique, capacité de synthèse

CDD de 1 an renouvelable 1 an, à partir de Janvier 2021

 

Contact : Yaneck Gottesman (yaneck.gottesman@telecom-sudparis.eu), Bernadette Dorizzi (bernadette.dorizzi@telecom-sudparis.eu)

 

Dans cette rubrique

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