Segmentation de régions anatomiques et détection de points d’intérêts par apprentissage profond

La segmentation de région anatomique et la détection de point d’intérêt anatomiques en imagerie médicale et biomédicale sont des tâches clé dans divers domaines cliniques ou précliniques notamment pour le diagnostic, la planification chirurgicale, le suivi des patients, la caractérisation de changement de forme anatomique. Avec l’essor de l’apprentissage profond, les méthodes basées sur les réseaux de neurones convolutifs (CNN) et les modèles plus avancés comme les Transformers ou les Selective State Space Models (SSSM) ont considérablement amélioré la précision et la robustesse pour ces deux tâches.

Cependant, des défis persistent, notamment la nécessité de grandes bases de données annotées et l’interprétabilité des résultats. Cette thèse s’orientera sur plusieurs points pour s’attaquer à ces défis : l’amélioration des architectures de réseaux avec par exemple l’utilisation des Graph Neural Networks (GNN) pour mieux représenter la structure anatomique en exploitant les relations spatiales entre les points d’intérêts ; un apprentissage plus efficace et généralisable avec l’utilisation des techniques d’apprentissage semi-supervisé ou/et contrastif ; une interpréabilité renforcée via l’utilisation des méthodes d’explicabilité.

Imagerie Fonctionnelle et moléculaire et Traitement des Images Médicales - ICMUB Institut de Chimie Moléculaire de l'Université de Bourgogne

IFTIM - Imagerie Fonctionnelle et moléculaire et Traitement des Images Médicales

L'équipe IFTIM (Imagerie Fonctionnelle et moléculaire et Traitement des Images Médicales) a pour objectif de couvrir deux domaines essentiels en imagerie clinique : le déploiement de nouveaux traceurs d’imagerie en préclinique puis en clinique associé au développement de nouvelles applications, et le traitement et l’analyse d’images. Cette multidisciplinarité est atteinte grâce à une équipe constituée d’hospitalo-universitaires impliqués dans la recherche appliquée en imagerie médicale, de biologistes et physiciens impliqués dans la recherche fondamentale et appliquée en imagerie médicale et d’informaticiens spécialisés dans le traitement et l’analyse d’images médicales. L’équipe bénéficie d’un environnement très favorable pour le développement de projets de recherche, avec notamment les deux établissements publics de santé de la métropole Dijonnaise (CHU et CGFL), disposant ainsi d’un plateau d’imagerie très complet et d’une plateforme d’imagerie préclinique unique en France.

Compétences en apprentissage profond, traitement des image et imagerie médicale. Bonnes compétences en python et connaissance des frameworks et bibliothèques de Deep Learning. Anglais courant