Traitement des signaux électrophysiologiques gastro-intestinaux

Le laboratoire de recherche IADI (Imagerie Adaptative Diagnostique et Interventionnelle) de l’Université de Lorraine est une unité INSERM (U1254) basée au sein du CHRU de Nancy-Brabois.

L'acquisition des signaux électrophysiologiques à la surface de l'abdomen regroupe des signaux provenant de différentes sources bioélectriques, qui peuvent être notamment d'origine cardiaque (électrocardiogramme, ECG), musculaire (électromyogramme, EMG), gastrique (électro-gastrogramme, EGG), intestinale (électroentérogramme, EEnG) ou encore colique (électrocolonogramme, EColG). L'étude de l'EGG, l’EEnG et de l'EColG présente un intérêt potentiel pour le diagnostic et le suivi des patients souffrant d'anomalies de motricité gastro-intestinale, rencontrées dans des pathologies telles que la maladie de Crohn [1] ou les troubles fonctionnels gastro-intestinaux [2]. Cependant, ces signaux sont de faibles amplitudes et possèdent des fréquences communes à l'ECG, à l’EMG et aux modulations liées à l’activité respiratoire. L’objectif du stage sera de tester et valider des méthodologies de traitement du signal permettant le débruitage et l'analyse de l’EGG, EColG et EEnG et des méthodologies permettant la séparation de ces trois signaux. Pour se faire, des solutions basées sur des méthodes de machine-learning (SVM, …),de deep-learning (U-Net, …) ou de séparation de sources (ICA, SOBI, …) pourront être proposées par l’étudiant. Afin de tester et valider ces méthodes, des signaux simulés [3] ainsi que des signaux réels acquis à l’aide d’un dispositif développé au sein du laboratoire seront disponibles. 

Références [1] G. Bassotti et al. “Gastrointestinal motility disorders in inflammatory bowel diseases,” World J. Gastroenterol., vol. 20, no. 1, p. 37, Jan. 2014, [2] D. A. Drossman, “Functional Gastrointestinal Disorders: History, Pathophysiology, Clinical Features, and Rome IV,” Gastroenterology, vol. 150, pp. 1262-1279.e2, 2016, [3] M.Doguet et al. “Body Surface Gastrointestinal Potential Mapping: A Simulation Framework to Evaluate Source Separation Algorithms.”

Etudiant M2 ou 3ème année d’école d’ingénieur, connaissances en apprentissage machine (machine learning et/ou deep learning) et/ou traitement du signal. Maîtrise de la programmation en Python et/ou Matlab.