Annonce

Les commentaires sont clos.

Stage en imagerie médicale : Nouvelles méthodes d’IA pour la prédiction des maladies neurologiques

21 Novembre 2023


Catégorie : Stagiaire


Stage en imagerie médicale :

Nouvelles méthodes d’IA pour la prédiction des maladies neurologiques

Directeur : Dr. Pierrick Coupé / LaBRI UMR 5800 (pierrick.coupe@labri.fr)

Co-encadrant : Dr. Rémi Giraud / IMS UMR 5218 (remi.giraud@u-bordeaux.fr)

 

Laboratoire : Laboratoire Bordelais de Recherche en Informatique, Université de Bordeaux

Dates : Mars-Aout 2024

Collaborateurs :

  • ·Institut des maladies neurodégénératives (IMN) : Dr. Planche Vincent
  • ·Université polytechnique de Valence (Espagne) : Pr. José Manjon

 

Contexte :

L'imagerie par résonance magnétique (IRM) joue un rôle crucial dans la détection de pathologies, l'étude de l'organisation cérébrale et la recherche clinique. Chaque jour, une grande quantité de données est produite et ce nombre ne cesse d’augmenter, empêchant l'utilisation d'approches manuelles afin de les analyser. Ainsi, le développement de techniques fiables, robustes et rapides pour la détection de pathologies neurologiques devient un domaine important en imagerie médicale. Dans ce projet, l'objectif est de développer une nouvelle génération de méthodes d'analyse des IRM pouvant détecter automatiquement plusieurs maladies neurologiques et d’aider le clinicien dans son diagnostic différentiel.

 

Objectifs :

Le premier objectif sera de développer de nouvelles méthodes de détection de pathologies en s'attaquant aux limites actuelles de l'apprentissage profond (AP) en imagerie médicale. L’AP est un domaine en plein essor en vision par ordinateur grâce à ses nombreux succès. Cependant, les résultats obtenus par l’AP pour l’aide au diagnostic précoce de maladies neurologiques sont encore assez limités [1]. Dans le cadre de ce projet, le ou la candidat.e proposera donc une nouvelle génération de méthodes capable de lever les limites actuelles de l’AP pour l’aide au pronostic. En effet, la complexité du problème mais également le peu de données d’entraînement disponibles mettent en défaut les méthodes d’AP [2]. Afin de résoudre ce problème, nous avons récemment développé des méthodes reposant sur une assemblée d’intelligences artificielles [3], et sur un transfomer [4], appliquées à des images IRM sous la forme de volumes 3D. Les premiers résultats obtenus montrent une amélioration de la qualité de classification comparée aux méthodes de l’état de l’art. De nombreuses questions restent ouvertes dans cette nouvelle voie de recherche très prometteuse. Quelle est l’organisation optimale de ce grand nombre d’IA ? Comment les faire communiquer efficacement ? Comment améliorer leur apprentissage en utilisant des données non labelisées par apprentissage semi-supervisé ? Le ou la candidat.e étudiera ces différentes questions et proposera des solutions adaptées au problème traité.

Le second objectif portera sur le développement d’outils spécifiques pour deux pathologies : la démence fronto-temporale (FTD) et la maladie d’Alzheimer (MA). Ces deux maladies représentent plus de 50 millions de personnes atteintes dans le monde. Juste pour la MA, le coût mondial associé est estimé à 605 milliards de dollars. Le ou la candidat.e travaillera étroitement avec nos collaborateurs du CHU de Bordeaux et de l’institut des maladies neurodégénératives. Il aura donc accès à des experts dans ces deux pathologies. En développant des méthodes pour un diagnostic plus précoces et plus précis, ce projet permettra une meilleure prise en charge du patient, un meilleur traitement et donc une réduction des couts associés. Ainsi, notre projet pourrait jouer un rôle majeur dans la transition vers la médecine P4 (prédictive, personnalisée, préventive et participative) : la médecine proactive de la prochaine décennie.

Enfin, le ou la candidat.e pourra voir ses outils développés, intégrés au sein de notre plateforme volBrain (www.volbrain.net) [5]. Cette plate-forme propose un service gratuit et en accès libre à l’ensemble de la communauté scientifique. Elle compte plus de 3000 utilisateurs à travers le monde et a déjà traité plus de 480 000 IRM, soit l’une des plus grosses bases de données au monde. Aujourd’hui, elle est devenue l’une des plateformes internationales les plus reconnues dans le domaine. Cet environnement unique donnera une visibilité internationale à ce travail.

 

Environnement

Le ou la candidat.e évoluera au sein d’un consortium regroupant des experts internationaux en imagerie médicale, intelligence artificielle, maladies neurologiques ou encore neuroscience. Le ou la candidat.e bénéficiera de l’environnement matériel du Laboratoire Bordelais de Recherche en Informatique (serveurs GPU, plate-forme de calcul, etc…). Il ou elle sera également en collaboration permanente avec les cliniciens et les neuroscientifiques impliqués dans le projet. De plus, ce projet s’intègre dans une collaboration de longue date avec l’Université Polytechnique de Valence (Espagne) autour de la plate-forme volBrain.

 

Profil attendu

Le ou la candidat.e (diplôme d'ingénieur grande école ou Master 2) doit avoir de solides bases en apprentissage profond/machine. Il doit également avoir des compétences en traitement d'image et en programmation. Une bonne maîtrise de Python, Keras, Pytorch et tensorflow est fortement recommandée. Un bon niveau d'anglais en lecture/écriture est également un élément clé. Un intérêt pour l'imagerie médicale est un plus.

Pour postuler, envoyez un dossier contenant un CV, une lettre de motivation, vos relevés de notes, la liste de vos publications (si disponible), le contact de 2 référents pouvant attester de vos compétences ainsi que tout document susceptible de renforcer votre candidature.

Enfin, l’intérêt de poursuivre en thèse au sein de notre équipe sera un élément déterminant sachant qu’un financement de thèse est déjà acquis.

 

Références

[1] Wen, Junhao, et al. "Convolutional Neural Networks for Classification of Alzheimer's Disease: Overview and Reproducible Evaluation." arXiv preprint arXiv:1904.07773 (2019).

[2] Huo, Yuankai, et al. "3D whole brain segmentation using spatially localized atlas network tiles." NeuroImage 194 (2019): 105-119.

[3] Nguyen, Huy-Dung, Michaël Clément, Boris Mansencal, and Pierrick Coupé. "Towards better interpretable and generalizable AD detection using collective artificial intelligence." Computerized Medical Imaging and Graphics 104 (2023): 102171.

[4] Nguyen, Huy-Dung, Michaël Clément, Boris Mansencal, and Pierrick Coupé. "3D Transformer based on deformable patch location for differential diagnosis between Alzheimer’s disease and Frontotemporal dementia." In International Workshop on Machine Learning in Medical Imaging, pp. 53-63. Cham: Springer Nature Switzerland, 2023.

[5] J. V. Manjon and P. Coupé. volBrain: an online MRI brain volumetry system. Frontiers in Neuroinformatics, 30:10, 2016