The Laboratoire d’Informatique et des Systèmes (LIS UMR 7020, Aix-Marseille University), the SNEF group and Hôpital Saint Joseph in Marseille are recruiting a PhD student for a 36-month CIFRE thesis. Pancreatic adenocarcinoma is one of the deadliest cancers, and endoscopic ultrasound (EUS) is the reference examination for detecting it. Interpreting EUS images remains difficult, however: they are noisy, low-contrast and highly operator-dependent. This thesis builds on a first national dataset of annotated EUS images created during a previous PhD. It also draws on a new international study (France / Canada) that adds video data and targets around 350,000 images.
The goal is to develop deep learning methods tailored to EUS video, building on promptable segmentation models. The project has two parts. The first is interactive segmentation to sharply reduce annotation costs: the physician places a few clicks, the model guides annotation through its uncertainty, and the mask is propagated across the sequence. The second is a real-time system that segments and tracks the tumor during the examination and remains robust when the lesion deforms or disappears. The work will also address explainability through mask uncertainty, along with clinical validation.
We are looking for a candidate with a Master’s degree or engineering degree in computer science, applied mathematics or image processing. Strong skills in deep learning and computer vision (Python, PyTorch) are required. An interest in medical imaging and applied research is a plus. The PhD will be based in Marseille. To apply, send your CV, cover letter and academic transcripts to Prof. Djamal Merad (djamal.merad@lis-lab.fr) before 30 September 2026.
Le Laboratoire d’Informatique et des Systèmes (LIS UMR 7020, Aix-Marseille Université), le groupe SNEF et l’Hôpital Saint Joseph de Marseille recrutent un·e doctorant·e dans le cadre d’une thèse CIFRE de 36 mois. L’adénocarcinome du pancréas est l’un des cancers les plus graves, et l’écho-endoscopie (EUS) est l’examen de référence pour le détecter. L’interprétation des images reste pourtant difficile : elles sont bruitées, peu contrastées et très dépendantes de l’opérateur. Cette thèse s’appuie sur une première base nationale d’images EUS annotées, constituée lors d’une thèse précédente, et sur une nouvelle étude internationale (France / Canada) qui intègre des vidéos et vise à terme environ 350 000 images.
L’objectif est de développer des méthodes d’apprentissage profond adaptées à la vidéo écho-endoscopique, en s’appuyant sur les modèles de segmentation « promptables ». Le projet comporte deux volets. Le premier est une segmentation interactive destinée à réduire fortement le coût d’annotation : le médecin place quelques clics, le modèle guide l’annotation par son incertitude et propage le masque dans la séquence. Le second est un système de segmentation et de suivi de la tumeur en temps réel pendant l’examen, robuste aux déformations et aux disparitions de la lésion. Les travaux porteront aussi sur l’explicabilité par l’incertitude des masques et sur la validation clinique.
Nous recherchons un·e candidat·e titulaire d’un Master 2 ou d’un diplôme d’ingénieur en informatique, mathématiques appliquées ou traitement d’images. Il ou elle devra avoir de solides compétences en apprentissage profond et en vision par ordinateur (Python, PyTorch). Un intérêt pour l’imagerie médicale et la recherche appliquée sera apprécié. La thèse se déroulera à Marseille. Pour candidater, envoyez CV, lettre de motivation et relevés de notes au Pr Djamal Merad (djamal.merad@lis-lab.fr) avant le 30 septembre 2026.
