Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : CREATIS
Durée : 3 ans
Contact : sebastien.valette@creatis.insa-lyon.fr
Date limite de publication : 2022-04-30

Contexte :
Segmenter des images médicales est un problème encore ouvert, avec de nombreuses applications possibles pour la médecine personnalisée et l’analyse de cohortes. La segmentation d’images est un problème bien étudié pour les images naturelles 2D, les meilleurs résultats ayant été obtenus ces dernières années grâce aux réseaux de neurones convolutifs. Cependant, la segmentation d’images médicales est encore un problème ouvert. Des approches de segmentation par réseaux de neurones ont déjà été proposées, mais elles sont difficilement applicables pour des images 3D voxeliques de grande taille.

Le but de cette thèse, et son originalité principale, est de s’affranchir de l’échantillonnage régulier des images 3D voxeliques, pour proposer une approche de segmentation indépendante de l’échantillonnage des images et possiblement de leur modalité d’acquisition. Il pourra aussi être envisagé l’introduction de contraintes manuelles ou de corrections par l’utilisateur pour guider la segmentation dans les cas les plus difficiles.

Sujet :
Descriptif complet ici: https://www.creatis.insa-lyon.fr/site7/fr/node/47192

Les images médicales 3D, acquises par IRM ou scanner X, sont stockées sous forme de grille de voxels, dont les dimensions peuvent atteindre ou dépasser 512x512x512 pour les images corps entier. L’utilisation de réseaux de neurones convolutifs pour segmenter de telles images est rendue difficile par une empreinte mémoire très importante et des temps d’exécutions très longs.

Pour contourner ce problème, nous proposons d’éviter l’utilisation des réseaux de neurones définis sur la grille originale de l’image 3D, et projetons d’explorer des approches d’apprentissage sur données 3D non structurées. Ce type de données apporte cependant une autre difficulté : les données non structurées 3D, telles que les nuages de points, ne peuvent pas être traitées par les réseaux de neurones convolutifs classiques, et nécessitent des réseaux de neurones spécifiques. Un autre problème est le nombre relativement faible d’images de référence segmentées disponibles, ce qui rend l’apprentissage plus difficile.
Nous proposons pour cette thèse de privilégier l’utilisation de nuages de points pour l’apprentissage, à travers notamment l’étude et l’extension des techniques récentes.

Un jeu de données d’images médicales 3D comportant plusieurs modalités accompagnées des références de segmentation est disponible pour la conduite des expériences et l’évaluation des algorithmes dans cette étude.

Profil du candidat :
Nous recherchons un.e collabora.teur.trice motivé.e, capable de faire preuve d’esprit critique, de prendre des initiatives et de travailler aussi bien de manière autonome que dans un cadre collectif.

Formation et compétences requises :
Le.la candidat.e doit être titulaire d’un master en informatique, traitement d’images, apprentissage automatique ou dans un domaine proche, doit avoir des acquis solides en mathématiques appliquées, en traitement d’images et en informatique, ainsi que de bonnes compétences en programmation. Une connaissance pratique des méthodes d’apprentissage profond est nécessaire. Les connaissances en l’imagerie médicale sont un plus.

Adresse d’emploi :
CREATIS, Lyon

Document attaché : 202203291006_Thèse Segmentation d’images médicales par apprentissage sur données 3D non structurées.pdf