Contexte
L’équipe AI4M (Artificial Intelligence for Medicine) du CReSTIC est une équipe pluridisciplinaire, composée d’enseignants-chercheurs en sciences numériques et de personnels hospitalo-universitaires. Le paradigme principal de l’équipe consiste à créer des concepts, méthodes et outils numériques à même de permettre de répondre à des questions cliniques.
L’équipe a développé un outil dédié à la comparaison d’images numériques, permettant la détection, la localisation et la quantification des écarts entre deux images : la carte des dissimilarités locales (CDL) [3]. La CDL est capable de mesurer avec efficacité des dissimilarités locales entre des images binaires ou en niveaux de gris possédant de fortes structures (cf. figure 1). Un modèle statistique de la CDL, permettant de caractériser la carte par les paramètres de forme α et d’échelle β d’une distribution de Weibull, permet souvent de caractériser simplement un degré de similarité [1].
Le travail du stage M2 consistera à confronter les performances de cette méthode de comparaison dans deux applications d’imagerie médicale, voire à l’adapter pour permettre des comparaisons efficaces.
a) En scintigraphie osseuse, nous disposons de deux jeux d’images, reconstruites avec deux approches différentes. L’objectif sera de comparer ces deux reconstructions pour évaluer si l’une est plus sensible ou plus spécifique que l’autre de façon à cerner leurs performances diagnostiques. Il s’agira notamment de signaler les anomalies qui ont une visibilité différente dans les deux modalités de reconstruction.
b) En TEP du cerveau, on souhaitera évaluer si cette méthode peut aider au recalage d’images enregistrées successivement chez le même sujet, et d’autre part si elle permet de déterminer à quel moment les images s’éloignent ou se rapprochent d’une image de référence obtenue chez ce sujet, et aider à la segmentation (en vue de quantification dans certaines zones d’intérêt) en ayant sélectionné les images les plus adaptées [2].
[1] Moustapha Diaw, Florent Retraint, Frédéric Morain-Nicolier, Agnès Delahaies, Jérôme Landré. New statistic detector for structural image similarity. IEEE Transactions on Signal Processing, 2025, 73, pp.1168-1183.
[2] Hajer Jomaa, Rostom Mabrouk, Nawres Khlifa, Frédéric Morain-Nicolier. Denoising of dynamic PET images using a multi-scale transform and non-local means filter. Biomedical Signal Processing and Control, 2018, 41, pp.69-80
[3] Étienne Baudrier, Frédéric Nicolier, Gilles Millon, Su Ruan. Binary-image comparison with local-dissimilarity quantification. Pattern Recognition, 2008, 41, pp. 1461-1478.
Objectifs et déroulement du stage
Pour ces deux applications, il s’agira :
- d’implémenter une version tridimensionnelle de la comparaison par CDL ;
- d’analyser la qualité de la comparaison obtenue ;
- de modifier ou adapter la comparaison afin d’obtenir une comparaison exploitable, c’est-à-dire qui mette en évidence des dissimilarités pertinentes pour les cliniciens ;
- de mettre en place une décision automatique ou bien des indicateurs pertinents vis-à-vis des objectifs recherchés.
Profil recherché
Le(la) candidat(e) devra être intéressé(e) par l’analyse et le traitement d’images numériques, dans un contexte médical, et être opérationnel(le) en programmation Matlab ou Python.
Une bonne capacité en anglais pour la lecture et la rédaction d’articles scientiques est également requise.
Informations pratiques
- Durée du stage : 6 mois à compter de février 2025.
- Localisation : CReSTIC, équipe AI4M, IUT de Troyes, Troyes, France
- Encadrement : Frédéric Morain-Nicolier, Professeur des universités, CReSTIC – IUT de Troyes, ainsi qu’Agnès Delahaies (MCF), Nicolas Passat (PU) et Dimitri Papathanassiou (PU-PH)
- Les candidat(e)s sont invité(e)s à envoyer un CV, lettre de motivation, relevés de notes et lettres de recommandation à frederic.nicolier@univ-reims.fr
- Conditions de travail : un bureau, partagé par plusieurs étudiants en stage, sera alloué à avec un ordinateur de travail. La gratification du stage correspond aux montants versés réglementairement par les organismes publics.
