Annonce

Les commentaires sont clos.

Apprentissage profond pour la segmentation et la prédiction de l’évolution structurelle des tumeurs cérébrales.

29 Avril 2022


Catégorie : Doctorant


 Apprentissage profond pour la segmentation et la prédiction de l’évolution structurelle des tumeurs cérébrales.

Directeur-s directrice-s de thèse / Thesis director
  • Baudouin DENIS de SENNEVILLE, DR2 CNRS, Equipe MONC, Bordeaux INRIA (Institut de Mathématiques de Bordeaux UMR 5251, Talence), bdenisde@math.u-bordeaux.fr
  • Pierrick Coupé, DR2 CNRS, Équipe PICTURA, (LaBRI UMR 5800) pierrick.coupe@labri.fr

Mots clés

Intelligence Artificielle, Méthodes numériques, Imagerie fonctionnelle

Résumé du projet de thèse

Les tumeurs cérébrales sont un fléau qui touche environ 3000 personnes par an en France. Même lorsqu’elles peuvent être traitées par radiothérapie (lorsqu’elles sont situées en périphérie du cerveau notamment), les rechutes sont inévitables et un contrôle régulier de l’évolution des tumeurs et de sa composition tissulaire est indispensable.

L'imagerie par résonance magnétique (IRM) joue un rôle crucial dans l’identification, la détection, le suivi et le traitement de ces pathologies, ainsi que l'étude de leur organisation dans le cerveau. De manière plus globale, le développement de techniques d’imagerie médicale fiables, robustes et rapides pour la détection de pathologies neurologiques est un domaine essentiel pour la recherche clinique.

Dans ce projet de thèse, l'objectif est de développer une nouvelle génération de méthodes d'analyse des IRM permettant de segmenter automatiquement les tumeurs cérébrales et leurs différentes composantes, mais également de quantifier et prédire leurs évolutions structurelles à l’échelle du voxel (de l’ordre de 1×1×2 mm). En apportant une connaissance la plus précise possible des pathologies en neuro-oncologie, notre objectif est de permettre aux cliniciens de personnaliser, d’anticiper et d’adapter de manière optimale au fil de l’eau le traitement (chimiothérapies, corticoïdes, radiothérapies et ultrasons focalisés) et ainsi assurer la meilleure qualité de vie possible aux patients.

 

Thématiques Domaine

Mesurer et prédire l’évolution des tumeurs à l'aide de méthodes d’apprentissage profond (AP). Les méthodes d’AP sont en effet actuellement les approches les plus efficaces pour traiter des volumes de données importants et hétérogènes (IRM multi-séquences). Des verrous technologiques majeurs existent néanmoins, tant pour l’analyse des tumeurs que la prédiction de leur évolution structurelle.

Dans le cadre de cette thèse, le candidat ou la candidate proposera une nouvelle génération de méthodes générales pour l’apprentissage semi-supervisé et l’apprentissage multimodal, ainsi qu’une spécialisation de ces méthodes pour les données multimodales IRM et l’analyse structurelle et temporelle de tumeurs et de leurs composants à l’échelle du voxel.

Objectif et contexte

L’objectif du projet de thèse est de proposer une nouvelle génération de méthodes générales d’apprentissage profond pour les données multimodales IRM, ainsi qu’une spécialisation de ces méthodes pour l’analyse structurelle et temporelle de la tumeur et de ses composants. Ainsi conçue et orientée, cette thèse pourrait ouvrir de nouvelles perspectives pour la prise en charge des patients atteints de tumeurs cérébrales, et la preuve de concept pourrait être appliquée au foie, au pancréas ou à d'autres cancers.

L’étudiant ou l’étudiante recruté bénéficiera d’une étroite collaboration avec les cliniciens collaborateurs afin de sélectionner les cas spécifiques sur lesquels se concentrer, et de comprendre les points et données clés, la classification des grades des tumeurs ainsi que la compréhension des traitements effectués. Plus généralement, le candidat ou la candidate évoluera au sein d’un consortium regroupant des experts internationaux en imagerie médicale (notamment à des fins thérapeutiques), intelligence artificielle, mathématiques appliquées et maladies neurologiques. Il ou elle sera également en collaboration permanente avec les cliniciens et les radiologues impliqués dans le projet.

Méthode

Le premier objectif de la thèse concerne le développement de méthodes d’apprentissage pour la segmentation de tumeurs à partir de données IRM. Cette étape est cruciale afin de préparer au mieux l’étape chirurgicale, mais également caractériser le plus précisément possible la tumeur.

Le deuxième objectif concerne la prédiction de l’évolution de la tumeur cérébrale. Il s'agit là de la partie la plus ambitieuse (et donc risquée) de ce projet. L’information architecturale d’une tumeur obtenue à partir d’une IRM permet aux médecins de développer, à un instant donné, un traitement plus ciblé. Afin d’aller plus loin et d’anticiper l’évolution de la tumeur, l’analyse simultanée de plusieurs sources d’information est nécessaire. Pour ce faire, le candidat ou la candidate devra développer de nouvelles méthodes capables de combiner des données multimodales et hautement hétérogènes (images IRM multimodales successives, indicateurs cliniques, données histologiques, etc.).

Résultats attendus

L’originalité de ce projet et ses retombées potentielles concernent à la fois le domaine de l’intelligence artificielle et le domaine médical.

- IA : Nouvelles méthodes d’apprentissage semi supervisé, d’apprentissage multimodal avec des données hétérogènes, de traitement de données temporelles et de traitement des biais dans les bases de données.
- Médical : Meilleure connaissance de l’organisation structurelle des tumeurs et de son évolution et, évidemment, fournir de nouveaux biomarqueurs (caractéristiques biologique mesurable) permettant d’évaluer la réponse tumorale.

Précision sur l'encadrement

Co-direction Baudouin DENIS de SENNEVILLE (50%) et Pierrick Coupé (50%)

Conditions scientifiques matérielles (conditions de sécurité spécifiques) et financières du projet de recherches

L'étudiant(e) bénéficiera de l’environnement matériel disponible à l’IMB et au LaBRI (ressources partagées avec les serveurs PLAFRIM et MCIA, ainsi que des serveurs GPU propres existants et administrés au LaBRI).

Objectifs de valorisation des travaux de recherche du doctorant : diffusion, publication et confidentialité, droit à la propriété intellectuelle,...

Outre les publications scientifiques, un dernier objectif pour le candidat ou la candidate sera d’intégrer les outils développés au sein de notre plateforme volBrain (http://volbrain.upv.es) [21]. Cette plate-forme propose un service gratuit et en accès libre à l’ensemble de la communauté scientifique. Elle compte plus de 6000 utilisateurs à travers le monde et a déjà traité plus de 365 000 IRM, ce qui en fait l’une des plus grosses bases de données au monde. Aujourd’hui, elle est devenue l’une des plateformes internationales les plus reconnues dans le domaine. Cet environnement unique donnera une visibilité internationale à ce travail de thèse.

Ouverture Internationale

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 ou la candidate aura donc l’opportunité d’effectuer des missions en Espagne.

Références bibliographiques

[1] P. Coupé, J. V. Manjón, E. Lanuza, and G. Catheline, “Lifespan Changes of the Human Brain In Alzheimer’s Disease,” Sci. Rep., vol. 9, no. 1, p. 3998, Dec. 2019, doi: 10.1038/s41598-019-39809-8.
[2] P. Coupé et al., “AssemblyNet: A large ensemble of CNNs for 3D whole brain MRI segmentation,” NeuroImage, vol. 219, p. 117026, Oct. 2020, doi: 10.1016/j.neuroimage.2020.117026.
[3] B. D. de Senneville et al., “Deciphering tumour tissue organization by 3D electron microscopy and machine learning,” Commun. Biol., vol. 4, no. 1, p. 1390, Dec. 2021, doi: 10.1038/s42003-021-02919-z.

Profil et compétences recherchées

L'étudiant(e) (diplôme d'ingénieur ou Master 2) doit avoir de solides bases en apprentissage statistique. Il ou elle doit également avoir des compétences en traitement d'image et en programmation. Une bonne maitrise de Python, Keras, Pytorch 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.

Niveau de français requis: Élémentaire: Vous pouvez comprendre la langue dans des situations quotidiennes élémentaires si votre interlocuteur parle doucement et clairement. Vous comprenez et utilisez des expressions simples.

Niveau d'anglais requis: Élémentaire: Vous pouvez comprendre la langue dans des situations quotidiennes élémentaires si votre interlocuteur parle doucement et clairement. Vous comprenez et utilisez des expressions simples.