Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

10 décembre 2020

Apprentissage profond distribué appliqué au diagnostic des pathologies rétiniennes


Catégorie : Stagiaire


Le Laboratoire de Traitement de l'Information Médicale (LaTIM - UMR 1101 Inserm) de Brest propose un stage de 5 à 6 mois sur le thème de l'apprentissage profond distribué appliqué au diagnostic des pathologies rétiniennes.

 

Contexte

L’intelligence artificielle (IA) en santé, et en ophtalmologie en particulier, a connu d’importants succès ces dernières années. Ainsi, le laboratoire LaTIM (UMR 1101 Inserm) et ses partenaires ont mis au point un logiciel permettant de dépister automatiquement plusieurs pathologies oculaires (rétinopathie diabétique, dégénérescence maculaire liée à l’âge, glaucome, etc.) à partir de photographies du fond d’œil [1, 2]. Ce logiciel commence à être déployé dans différents centres cliniques à travers le monde (www.ophtai.com). L’objectif est maintenant d’élargir le dépistage à l’ensemble des pathologies touchant l’œil, ou visibles à travers l’œil (pathologies cardiovasculaires, neurodégénératives, etc.). Afin que chacune de ces pathologies soit représentée par un nombre suffisant d’exemples pour permettre un apprentissage automatique, les images doivent provenir d’une population très large. Cela n’est possible que si les données proviennent de plusieurs centres cliniques.

Dans un scénario d’apprentissage sur des données de santé multicentriques, il n’est plus envisageable d’exporter l’intégralité des données vers les chercheurs en IA. Il n’est pas non plus possible de réaliser l’entraînement au sein de chaque centre clinique, en raison d’une puissance de calcul limitée. Nous proposons donc de découper l’apprentissage entre les centres cliniques, d’une part, et un serveur de calcul, d’autre part : seules des informations abstraites (poids neuronaux, gradients, etc.) transiteront entre les différentes parties. Cela permettra à chaque centre clinique de garder le contrôle sur les données de ses patients.

Sujet de stage

L’objectif de ce stage est d’étudier les techniques d’apprentissage profond distribué dans le contexte du diagnostic automatique des pathologies rétiniennes. Le stage démarrera par un état de l’art des techniques existantes d’apprentissage distribué [3-5]. A des fins d’expérimentation, le ou la stagiaire simulera ensuite une base de données distribuée à partir d’une base de données monocentrique mise à sa disposition. Il ou elle mettra alors en œuvre un algorithme d’apprentissage distribué. Enfin, les performances de cet algorithme seront comparées à celles d’un apprentissage profond classique sur données non distribuées.

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 LabCom ADMIRE (Apprentissage profond Distribué pour la classification de données Multimodales, Incertaines et Rares en ophtalmologiE), un laboratoire commun associant le LaTIM et la société Evolucare. Le ou la stagiaire pourra s’appuyer sur des bases de données d’images rétiniennes déjà disponibles, ainsi que sur la ferme de calcul du LaTIM.

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 Sarah Matta (sarah.matta@univ-brest.fr).

Références

[1] 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.

[2] 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.

[3] Wu X, Taylor V, Wozniak JM, Stevens R, Brettin T, Xia F. Performance, energy, and scalability analysis and improvement of parallel cancer deep learning CANDLE benchmarks. In: Proc ICPP. Kyoto, Japan; 2019.

[4] Yao Q, Liao X, Jin H. Training deep neural network on multiple GPUs with a model averaging method. Peer-to-Peer Networking and Applications. 2018;11(5):1012–21.

[5] Chang K, Balachandar N, Lam C, Yi D, Brown J, Beers A, et al. Distributed deep learning networks among institutions for medical imaging. Journal of the American Medical Informatics Association. 2018;25(8):945–54.

 

Dans cette rubrique

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