Sujet : Modèles génératifs à supervision limitée pour l’analyse d’image histopathologique en oncologie thoracique
Ce projet de recherche vise à améliorer le diagnostic et le traitement des cancers grâce à l’intelligence artificielle (IA) et à la pathologie numérique. Aujourd’hui, pour confirmer certains types de cancers, comme le cancer du poumon, les médecins utilisent des techniques d’immunohistochimie (IHC) qui détectent des protéines spécifiques dans les tissus telles que la protéine TTF1. Ces analyses, bien que cruciales, consomment une partie limitée des échantillons, coûtent cher et retardent parfois le diagnostic. L’objectif principal est donc de développer des modèles d’IA capables de prédire la présence de la protéine TTF1 directement à partir d’images histologiques HES, une méthode plus rapide et non invasive. En parallèle, le projet cherche également à générer des images simulées d’IHC pour aider les pathologistes à visualiser le résultat de ces prédictions, rendant l’outil plus compréhensible et explicable. En plus de prédire cette protéine, un autre objectif est de segmenter les noyaux cellulaires dans les images IHC, afin de quantifier l’intensité de l’expression des protéines. Cela permet d’identifier des anomalies et de mieux comprendre la composition et l’hétérogénéité des tumeurs. Cette tâche est complexe car il n’existe pas de bases de données spécifiques pour entraîner les modèles sur ces images. Ce projet s’appuiera sur des modèles génératifs (GAN et modèles de diffusion), sur les techniques de co-entraînement, ainsi que sur les approches de segmentation non-supervisées.
Grâce à une collaboration avec le CHU de Rouen, il sera possible d’accéder à des centaines d’images IHC et HES anonymisées de patients. In fine, ce projet, en améliorant l’analyse des images pathologiques, pourrait accélérer les diagnostics et améliorer la prise en charge des patients atteints de cancer.
Mots clés : Deep Learning, Pathologie numérique, Modèles génératifs, Segmentation d’image, Oncologie thoracique
Lieu de travail : Université de Rouen Normandie, Laboratoire LITIS, UFR Sciences et Techniques, Saint-Etienne du Rouvray
Financement : contrat doctoral université/région
Début de la thèse : 1er octobre 2025
Contact : Zoé Lambert <zoe.lambert@univ-rouen.fr>, Caroline Petitjean <caroline.petitjean@univ-rouen.fr>
—> Profil attendu : Ecole d’ingénieur ou Université, avec spécialisation en apprentissage, IA, science des données, traitement d’images. Maîtrise de PyTorch ou TensorFlow attendue.
—> Envoyer CV + lettre de motivation + relevés de notes de M1/M2 + contact de référence
–> Date limite des candidatures : les candidats sont invités à postuler au plus vite, la date limite étant le 2 mai 2025.
