Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 décembre 2020

Recherche d’architecture neuronale pour le diagnostic de la rétinopathie diabétique


Catégorie : Stagiaire


Le Laboratoire de Traitement de l'Information Médicale (UMR 1101 Inserm) de Brest propose un stage de Master 2 ou de dernière année d'école d'ingénieur sur la recherche d’architecture neuronale pour le diagnostic de la rétinopathie diabétique.

 

Contexte

Le diabète est une maladie chronique qui se caractérise par un excès de sucre dans le sang et qui affecte 422 millions de personnes dans le monde (https://www.who.int/fr/news-room/fact-sheets/detail/diabetes), dont 3,3 millions en France. Une des complications fréquentes du diabète est la rétinopathie diabétique (RD) : il s’agit notamment de la première cause de cécité dans la population active des pays développés [1]. Pour une bonne prise en charge de la RD, les autorités sanitaires recommandent aux patients diabétiques un examen annuel de la rétine, s’appuyant sur des photographies du fond d’œil. Dans le but de réduire la charge de travail des ophtalmologistes, le Laboratoire de Traitement de l’Information Médicale (LaTIM) a donc développé, avec ses partenaires, une intelligence artificielle (IA) à base de réseaux de neurones capable de détecter automatiquement la RD dans ces photographies [2, 3] (www.ophtai.com). Une fois la RD détectée chez un patient, d’autres modalités d’imagerie peuvent alors être utilisées pour suivre plus finement l’évolution de la RD. Afin d’entraîner des IAs pour ces autres modalités, généralement plus complexes, un défi est d’identifier des architectures neuronales adaptées.

Les réseaux de neurones, notamment convolutifs, sont des outils très pratiques pour l’analyse d’images : 1) une architecture neuronale unique peut être utilisée à la fois pour l'extraction de caractéristiques visuelles et pour la classification de l’image, et 2) les paramètres de cette architecture (les poids neuronaux en particulier) peuvent être entraînés de bout en bout en s’appuyant uniquement sur des images annotées [4]. Cependant, il est toujours nécessaire de spécifier une architecture neuronale. Or l’expérience montre que l'architecture optimale varie d'un problème de décision à un autre. Par conséquent, il peut être utile de concevoir de manière automatique une architecture neuronale adaptée à un problème de décision : c’est ce que l’on appelle la recherche d’architecture neuronale (Neural Architecture Search – NAS) [5]. Les algorithmes de NAS les plus connus incluent NASNet [6], qui repose sur un apprentissage par renforcement, AmoebaNet [7], qui repose sur un algorithme génétique, et Auto-Keras [8], qui repose sur une optimisation bayésienne. Afin de réduire les temps de recherche, certains algorithmes assurent que l'évaluation d'une nouvelle architecture s'appuie sur celles d’architectures déjà évaluées, grâce à un apprentissage par transfert : cette fonctionnalité a notamment été proposée dans Auto-Keras ou encore Efficient NAS (ENAS) [9].

Sujet de stage

L’objectif de ce stage est d’étudier les techniques de recherche d’architecture neuronale (NAS) pour la classification de la rétinopathie diabétique (RD). Après un état de l’art du NAS, le ou la stagiaire mettra en œuvre au moins un algorithme de NAS. Cet algorithme sera évalué sur au moins une modalité d’images rétiniennes : la rétinophotographie grand champ (2-D), la tomographie en cohérence optique (OCT – 3-D) ou l’OCT angiographie (3-D). Les performances de classification obtenues seront alors comparées à celles d’architectures neuronales « fait main » de la littérature (telles que ResNet ou Inception pour des images 2-D). Cela permettra d’évaluer l’apport des algorithmes NAS dans ce contexte.

Environnement

Les travaux se dérouleront au sein du LaTIM, une Unité Mixte de Recherche (UMR 1101) de l’Inserm, de l’IMT Atlantique et de l’Université de Bretagne Occidentale, située sur le site Morvan du CHRU de Brest. La problématique du LaTIM concerne l’optimisation continue des actions thérapeutiques par intégration d’informations multimodales. Le stagiaire intégrera l’équipe IMAGINE du LaTIM, qui s’intéresse notamment à l’ophtalmologie. Ses travaux s’intègreront dans le cadre du projet EVIRED (Evaluation Intelligente de la Rétinopathie Diabétique), un projet de Recherche Hospitalo-Universitaire (RHU) dont le but est de revoir la prise en charge des RD avec l’apport de nouvelles modalités d’imagerie et d’algorithmes d’IA. Le ou la stagiaire pourra s’appuyer sur différentes bases de données d’images rétiniennes, ainsi que sur la ferme de calcul du LaTIM et celle du projet EVIRED.

Profil recherché

Compétences souhaitées

Détails pratiques

Candidature

Envoyez vos CV, lettre de motivation et notes à Gwenolé Quellec (gwenole.quellec@inserm.fr), Mathieu Lamard (mathieu.lamard@univ-brest.fr) et Hassan Al Hajj (hassan.alhajj@univ-brest.fr).

Références

[1] Lee R, Wong TY, Sabanayagam C. Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye Vis (Lond). 2015 Sep;2:17.

[2] Quellec G, Charrière K, Boudi Y, Cochener B, Lamard M. Deep image mining for diabetic retinopathy screening. Med Image Anal. 2017 Jul;39:178–93.

[3] Quellec G, Lamard M, Conze P-H, Massin P, Cochener B. Automatic detection of rare pathologies in fundus photographs using few-shot learning. Medical Image Analysis. 2020 Apr 1;61:101660.

[4] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May;521(7553):436–44.

[5] Elsken T, Metzen JH, Hutter F. Neural architecture search: A survey. J Mach Learn Res. 2019;20(55):1–21.

[6] Zoph B, Vasudevan V, Shlens J, Le QV. Learning transferable architectures for scalable image recognition. In: Proc IEEE CVPR. Salt Lake City, UT, USA; 2018.

[7] Real E, Aggarwal A, Huang Y, Le QV. Regularized evolution for image classifier architecture search. In: Proc AAAI. Honolulu, HI, USA; 2019.

[8] Jin H, Song Q, Hu X. Auto-Keras: An efficient neural architecture search system. 2018 Jun. Report No.: arXiv:1806.10282 [cs, stat].

[9] Pham H, Guan MY, Zoph B, Le QV, Dean J. Efficient neural architecture search via parameter sharing. 2018 Feb. Report No.: arXiv:1802.03268 [cs, stat].

 

Dans cette rubrique

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