Annonce

Sujet de thèse porté par le L@bISEN, en lien avec le Centre hospitalier universitaire régional (CHRU) de Brest.

 

• Établissement de rattachement : Yncréa Ouest, Établissement d’enseignement supérieur privé d’intérêt général (EESPIG), sous contrat avec le ministère de l’enseignement supérieur et de la recherche ;

• Unité de recherche : L@bISEN ;

• Équipe de recherche : LSL (Light – Scatter – Learning) ;

• Lieu de déroulement de la thèse : campus de Brest ou de Caen d’Yncréa Ouest (à définir) ;

• Durée du contrat : 3 ans ;

• Salaire : 2044,12 € (brut mensuel) ;

• Possibilité de participer aux activités d’enseignements d’Yncréa Ouest.

La détection manuelle des anomalies chromosomiques en cytogénétique conventionnelle peut être un processus long et fastidieux, en particulier lorsqu'il s'agit d'identifier des anomalies subtiles ou complexes impliquant de petites parties des chromosomes. Les conséquences de ces anomalies sur la santé des patients sont significatives, et il est devenu crucial de les détecter rapidement et avec précision.

 

Cette thèse a pour objectif de développer un modèle d’apprentissage profond pour la détection automatique des anomalies de structures des chromosomes en utilisant l'imagerie conventionnelle et non conventionnelle.

 

Mots-clés : images métaphases, images caryotypes, anomalies chromosomiques, modèles d’apprentissage profond, détection automatique, prétraitement des données, validation expérimentale.

• Préparation et prétraitement des données :

◦ Mise en place d'un protocole d'acquisition d'images métaphase ou caryotype de chromosomes ;

◦ Exploration et développement des techniques d’apprentissage profond pour augmenter la résolution et le contraste des images obtenues ;

• Modèles d’apprentissage profond pour l’analyse de la structure des chromosomes :

◦ Conception et entraînement de modèles d’apprentissage profond spécifiquement adaptés à l’analyse de la structure des chromosomes ;

• Validation expérimentale et comparaison :

◦ Validation des résultats obtenus par le modèle d’apprentissage profond en utilisant des jeux de données réels ;

◦ Comparaison des performances du modèle d’apprentissage profond par rapport à l’existant.

 

Cette thèse a vocation à aboutir au développement d'un modèle d’apprentissage profond capable de détecter automatiquement les anomalies de structures des chromosomes. Les résultats attendus incluent une augmentation significative de la précision et de l'efficacité de la détection des anomalies, la possibilité d'identifier des anomalies subtiles ou complexes, ainsi qu'une réduction du temps et des coûts associés à la détection manuelle.

• Un diplôme de Master en informatique ou un diplôme d'ingénieur avec une spécialisation en informatique, traitement d’images ou intelligence artificielle. Avoir suivi des modules d’enseignement ou réalisé des stages en lien avec l’imagerie médicale sera valorisé ;

• De solides connaissances en apprentissage automatique, notamment en apprentissage profond ;

• De solides compétences en programmation, en particulier en Python, et être familier avec les bibliothèques les plus courantes en apprentissage automatique et en apprentissage profond ;

• Une très bonne maîtrise de l'anglais.

Faire parvenir les documents suivants :

• Curriculum vitae (CV) ;

• Lettre de motivation ;

• Relevés de notes de Master (ou équivalent) ;

• Tout autre document jugé utile pour enrichir le dossier de candidature (lettres de recommandation, articles scientifiques, rapport de Master, etc.)

 

par courrier électronique aux adresses ci-dessous :

• nesma.settouti@isen-ouest.yncrea.fr

• mohammed-el-amine.bechar@isen-ouest.yncrea.fr

 

(1) Bechar, M. E. A., Guyader, J. M., El Bouz, M., Douet-Guilbert, N., Al Falou, A., & Troadec, M. B. (2023). Highly performing automatic detection of structural chromosomal abnormalities using siamese architecture. Journal of Molecular Biology, 435(8), 168045.

(2) Uzolas, L., Rico, J., Coupé, P., SanMiguel, J. C., & Cserey, G. (2022). Deep anomaly generation: An image translation approach of synthesizing abnormal banded chromosome images. IEEE Access, 10, 59090-59098.

(3) Cox, A., Park, C., Koduru, P., Wilson, K., Weinberg, O., Chen, W., ... & Kim, D. (2022). Automated classification of cytogenetic abnormalities in hematolymphoid neoplasms. Bioinformatics, 38(5), 1420-1426.

(4) Shamsi, Z., Bryant, D., Wilson, J., Qu, X., Dubey, A., Kothari, K., ... & Fang, M. (2022). Automated Deep Aberration Detection from Chromosome Karyotype Images. arXiv preprint arXiv:2211.14312.