Contexte
De récentes études menées par les membres du Centre de Recherches Biomédicales de Strasbourg (CRBS) ont établi un lien entre l’agressivité du cancer et la répartition des cellules et organelles dans les tissus. En exploitant des images de microscopie par fluorescence, ils visent désormais à caractériser précisément le rôle de ces organelles et leurs interactions lorsqu’une cellule est atteinte d’une métastase. Cette offre de post-doctorat fait partie du projet CLAS4Meta qui vise à faciliter ces études à travers le développement de méthodes d’apprentissage automatique pour la segmentation des images par fluorescence.
Problématiques scientifiques
Le principe de l’imagerie par fluorescence est de lier des fluorophores à des anticorps qui vont se fixer sur des protéines particulières. Suivant les anticorps choisis, les images résultants par excitation des fluorophores ciblent spécifiquement certaines organelles et obtenir une vue partielle de l’information biologique de la cellule sous la forme de nuage de points très bruité. Afin de mieux se représenter l’information biologique complète de la cellule, il est également courant d’utiliser l’imagerie de microscopie
électronique à faisceau d’ions localisés (FIB-SEM). Celle-ci permet d’obtenir une image volumique en nuances de gris à une résolution plus fine comprenant tout l’intérieur de la cellule. Notre objectif ici est d’exploiter la complémentarité de ces deux acquisitions pour améliorer la segmentation des images de fluorescence. Néanmoins, d’un point de vue informatique et traitement d’images, quatre verrous freinent cette exploitation : l’appariement des modalités (rarement acquises simultanément), le contenu des images (nuage de points vs acquisition continue), la spécialisation des données (un seul type d’organelle vs toutes les organelles) et l’impact des protocoles d’acquisition qui peuvent modifier radicalement la forme et le contenu des images. En plus de ces problèmes d’acquisition, le petit nombre, la forte variabilité et la précision des données annotées limitent les capacités de généralisation des modèles d’apprentissage automatique.
Sujet
Le sujet du post-doctorat proposé ici vise à exploiter la richesse de la modalité FIB-SEM pour permettre une meilleure segmentation des images Fluo à partir d’approches de traduction de modalité. Une fois la méthodologie de segmentation par traduction mise en place, le deuxième objectif sera le développement de méthodes d’adaptation de domaine pour assurer que les algorithmes entraînés sur des cellules animales soient utilisables sur des cellules in vivo humaines.
Segmentation par traduction de modalité : La première tâche du post-doctorat sera de mettre en place une méthode de traduction de modalité FIB-SEM ↔ Fluo non supervisée. La difficulté réside dans le déséquilibre des informations présentes dans les images : riche en information pour l’imagerie FIB-SEM, spécifique à une organelle pour l’imagerie par fluorescence. La deuxième difficulté se situe dans l’annotation des données : seules les images FIB-SEM contiennent des annotations
pixelliques alors que les images Fluo sont seulement labellisées par une étiquette globale indiquant quelle organelle est imagée. Plusieurs stratégies peuvent être envisagées : apprentissage multi-tâche, alignement de modalité ou encore conditionnement par information textuelle. L’espace latent créé sera enfin l’entrée d’une tête de segmentation permettant à la fois d’obtenir la segmentation sur les images FIB-SEM et par fluorescence.
Adaptation de l’animal à l’humain : Une fois la segmentation par traduction de modalité apprise et effective, l’objectif sera de transférer les connaissances apprises sur les animaux pour le traitement de cellules humaines. Les stratégies envisagées pour ce post-doc s’orientent majoritairement sur des méthodes basées Visual Language Model. L’idée serait ici d’enrichir ”l’information textuelle” déjà présente dans la méthode de traduction de modalité avec des métadonnées expérimentales et, en particulier, avec les informations sur les protocoles et conditions expérimentales mais aussi avec une description du sujet de l’étude.
Encadrement
Ce projet de post-doctorat sera encadré par Antoine Bralet et Étienne Baudrier, maîtres de conférences en informatique dans l’équipe IMAGeS du laboratoire ICube.
Profil recherché
- Études en informatique (programmation et algorithmie)
- Expertise en apprentissage automatique (de préférence Pytorch)
- Expertise en traitement d’images
- Des connaissances en biomédicales ne sont pas requises
IMPORTANT : Les compétences en programmation et en algorithmie sont obligatoires pour mener à bien ce projet ; le vibe coding n’est pas considéré comme une expertise en algorithmie
Comment postuler ?
Si vous êtes intéressés par cette offre de post-doctorat, merci d’envoyer un mail à Étienne Baudrier (baudrier@unistra.fr) et à Antoine Bralet (abralet@unistra.fr) avec votre CV, une lettre de motivation et une lettre de recommandation de vos directeurs de thèse. Nous aimerions également que vous nous indiquiez un lien vers votre page personnelle et vers votre compte Github qui seront autant considérés que votre CV lors du processus de sélection.
Le sujet complet est disponible à l’adresse suivante : https://images.icube.unistra.fr/img_auth.php/7/7a/2026_AAP_IdEx_FluoSeg.pdf
