Archives

Analyse d’images de microscopie électronique par réseaux profonds.

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

Laboratoire/Entreprise : Laboratoire d’Informatique et Systèmes LIS – UMR C
Durée : 4 à 6 mois
Contact : marc-emmanuel.bellemare@univ-amu.fr
Date limite de publication : 2023-02-28

Contexte :
Dans le cadre d’un projet collaboratif de recherche biomédicale sur l’endocardite infectieuse (EI) nous souhaitons développer une approche par réseaux profonds (deep-learning) pour la segmentation d’images de microscopie électronique à balayage dans le but d’analyser l’ultrastructure de valves cardiaques. Ce projet s’appuie sur une collaboration entre le laboratoire Informatique et Systèmes, expert dans l’analyse d’image, et le laboratoire Mephi, expert en microbiologie et en microscopie électronique. L’EI est une pathologie grave, associée à un diagnostic difficile et une grande mortalité. L’EI est caractérisée par une infection bactérienne ou fongique de l’endocarde avec une destruction des valves cardiaques et la formation d’un dépôt fibrino-plaquetaire inflammatoire et infecté, ou végétation. Malgré l’amélioration des stratégies diagnostiques et thérapeutiques, l’incidence et la gravité de la maladie semblent rester inchangées au fil des ans. La microscopie électronique à balayage (MEB) est une technique de microscopie électronique capable de produire des images en haute résolution de la surface d’un échantillon. Par une approche innovante par MEB, a démontré une hétérogénéité de l’ultrastructure des vegetations d’EI qui dépend du microorganisme infectieux. Cette approche innovante a ainsi montré sa force mais elle s’appuie sur une analyse experte des images qui reste manuelle et fastidieuse

Sujet :
L’objectif du stage est de développer une méthode à base de réseaux profonds pour accélérer l’analyse des images des végétations, c’est-à-dire pour identifier et quantifier automatiquement les éléments biologiques présents (plaquettes, fibrine, globules, bactéries). Pour cela, il s’agira dans un 1er temps de définir la meilleure stratégie de segmentation en tenant compte des différentes résolutions disponibles. Dans un 2nd temps il s’agira de choisir une architecture de réseaux de neurones profonds avec un « pipeline » de traitements adaptés.

Profil du candidat :
Le candidat ou la candidate de niveau Bac+5, formé(e) au traitement des images, sera intéressé(e) par un projet pluridisciplinaire et l’imagerie médicale. La programmation des algorithmes se fera avec le langage python et les réseaux profonds seront développés avec l’API PyTorch. Des compétences en classification ou en mathématiques appliquées seront particulièrement appréciées.

Formation et compétences requises :
Une formation de master ou ingénieur avec des compétences en traitement d’images est attendue. Des compétences en classification ou en mathématiques appliquées seront particulièrement appréciées.

Adresse d’emploi :
Le stage se déroulera à Marseille dans les locaux de l’équipe Image & Modèles du LIS à St Jérôme (site de Polytech’) ou dans ceux de l’équipe MEPHI de l’IHU Méditerranée Infection, selon les besoins.
Aix-Marseille Université – Bâtiment Polytech GI,
Campus scientifique de St Jérôme – Av. Escadrille Normandie Niemen -13397 Marseille Cedex 20

Document attaché : 202211181337_Sujet_Master2_SegmentationDL-SEM_2023.pdf

Observation des déformations 3D d’organes à tissus mous par IRM ultra rapide

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

Laboratoire/Entreprise : Laboratoire d’Informatique et Systèmes, LIS UMR CN
Durée : 4 à 6 mois
Contact : marc-emmanuel.bellemare@univ-amu.fr
Date limite de publication : 2023-02-28

Contexte :
Les troubles de la statique pelvienne représentent un enjeu de santé publique. Ils regroupent un ensemble de pathologies associant une perte des rapports anatomiques normaux des organes pelviens, et une altération dramatique de la qualité de vie des malades. Ces pathologies sont handicapantes à des degrés variés mais leur physiopathologie reste encore mal connue ce qui complique leur prise en charge. De nouvelles séquences d’acquisition IRM, associées à une reconstruction adaptée, ont permis la visualisation 3D des organes en mouvement. Des résultats probants ont été récemment obtenus et publiés pour l’observation de la vessie (Figure) et il s’agit, dans le cadre du stage, de s’intéresser aux autres organes pelviens. Ce projet se développe en collaboration avec le CRMBM, pour la réalisation de séquences IRM ultra rapides adaptées à l’observation souhaitée.

Sujet :
Des acquisitions multi-planaires sont réalisées dans des plans non classiques ce qui complique la reconnaissance des organes. Ainsi la segmentation des principaux organes impliqués est une étape primordiale mais difficile. Des architectures de de réseaux de neurones seront évaluées en comparaison avec la référence, U-Net (Mask-RCNN, Retina-Net). Un modèle géométrique 3D des organes peut ensuite être recalé sur les contours segmentés. Il s’agit alors de proposer une stratégie qui optimise à la fois la séquence d’acquisition et les modèles géométriques des surfaces des organes observés. Ces modèles géométriques permettront alors une caractérisation quantitative des déformations. Les problématiques de recalage, de segmentation et de modèles 3D, au cœur du projet, seront abordées selon les compétences et préférences du stagiaire.

Profil du candidat :
Le candidat ou la candidate sera intéressé(e) par un projet pluridisciplinaire et par l’imagerie médicale. Les domaines abordés concernent les réseaux de neurones profonds, la segmentation d’IRM et la reconstruction 3D. Des compétences en mathématiques appliquées seront particulièrement appréciées. Une expérience de la programmation avec l’environnement python (PyTorch) est attendue. Le stage aura une durée de 4 à 6 mois avec la gratification d’usage.

Formation et compétences requises :
De formation master ou ingénieur avec des compétences en traitement des images.

Adresse d’emploi :
Le stage se déroulera à Marseille essentiellement au laboratoire d’informatique et des systèmes (LIS) dans l’équipe Images & Modèles sur le campus de St Jérome. Le LIS UMR 7020 fédère plus de 375 membres. La recherche y est structurée au sein de pôles (calcul, science des données, analyse et contrôle des systèmes, signal et image), et centrée sur les activités dans les domaines de l’informatique, de l’automatique, du signal et de l’image.
Aix-Marseille Université
Campus scientifique de St Jérôme – Bâtiment Polytech’ GI – Av. Escadrille Normandie Niemen -13397 Marseille Cedex 20

Document attaché : 202211181327_Sujet_Master2_DL&Reconstruction3D_2023.pdf

APPRENTISSAGE FEDERE SUR LES DONNEES DE MOBILITE

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

Laboratoire/Entreprise : IRIT
Durée : 1 an
Contact : imen.megdiche@gmail.com
Date limite de publication : 2023-03-18

Contexte :
Le projet VILAGIL ambitionne de créer un écosystème capable de répondre aux besoins de la mobilité pour la région Occitanie, et plus largement de contribuer au développement d’innovations dans le domaine de la ville intelligente ». Dans le cadre de ce projet, l’action « Data et Mobilité » conçoit et développe des mécanismes d’intégration automatique et d’accès fédérés aux données de mobilité. Ces données sont fournies par les partenaires non académiques du projet tels que Toulouse Metropole, Sicoval, Tisséo Collectivité ; dans certains cas ces données seront distribuées sur les différents sites des partenaires sans possibilité de les intégrer de manière centralisée. L’offre de postdoc cible donc particulièrement la problématique de l’’apprentissages fédérés (« federated learning ») afin de développer des algorithmes d’apprentissage automatique dirigés par ces données.

Sujet :
Vu la forte hétérognièté des données collectées dans le projet VILAGIL (données de capteurs dans la ville images et vidéos de surveillance, données de véhicules autonomes, etc), nous souhaitons proposer une architecture d’apprentissage fédéré qui considère les clients de données en fonction de leur nature (cross-device / cross-silo), et de la nature de distribution des données ( verticale / horizontale ). Cette architecture devrait assurer à terme un apprentissage personnalisé pour chacun des clients et une équité par rapport à la collaboration dans l’ apprentissage.
Nous envisageons d’élaborer cette architecture en combinant à la fois une première étape de clustering de clients et une deuxième étape d’apprentissage machine fédéré. Le clustering des clients est souvent appliqué dans l’objectif d’identifier un sous ensemble de clients qui auraient des modèles d’apprentissage similaires sans divulguer leurs données. Les approches [1] et [2] proposent des méthodes appliquées dans le cadre de données non-IID qui calculent les similarités qu’il y aurait entre les paramètres de modèles pour regrouper les clients. L’objectif de ses approches est de personnaliser les modèles au niveau des nœuds locaux en tenant compte de distributions hétérogènes dans les données. En s’inspirant des travaux récents de [1], [2] l ’architecture proposée devrait être comparée expérimentalement par rapport à d’autres approches existantes de la littérature [3] et démontrant son intérêt.
Le postdoc aura pour mission :
– De développer une preuve de concept pour démontrer l’architecture sur des jeux de données identifiés pertinents par rapport au projet (jeux de données réels de partenaires et/ou jeux de données issus de la littérature scientifique du domaine).
– De participer à des réunions du porjet VILAGIL au niveau de l’Action « Data & Mobilité » et des réunions de coordinnation entre les différentes actions.
– De positionner ses travaux et les contributions par rapport à la littérature scientifique du domaine de l’apprentissage fédéré, et de publier les contributions dans des journaux et conférences internationales de premier rang mondial

Références Bibliographiques
[1] Yoo, Joo Hun et al. “Personalized Federated Learning with Clustering: Non-IID Heart Rate Variability Data Application.” 2021 International Conference on Information and Communication Technology Convergence (ICTC) (2021): 1046-1051.
[2] Huang, Yutao et al. “Personalized Cross-Silo Federated Learning on Non-IID Data.” AAAI (2021).
[3] Hangyu Zhu, Jinjin Xu, Shiqing Liu, Yaochu Jin. Federated learning on non-IID data: A survey, Neurocomputing, Volume 465, 2021, Pages 371-390, ISSN 0925-2312,

Profil du candidat :
Nous recherchons un(e) candidat(e) motivé(e), force de propositions, avec un solide background en mathématiques appliquées et des connaissances confirmées en IA.
Les candidatures sont à envoyer à (imen.megdiche@irit.fr) et (olivier.teste@irit.fr) . Le dossier doit contenir :
 CV incluant les publications scientifiques
 Lettre de motivation
 Copie du dernier diplôme
 Pré-rapport et rapport de soutenance de thèse
 Une expérience en federated learning serait un atout.

Formation et compétences requises :
un solide background en mathématiques appliquées et des connaissances confirmées en IA. Une expérience en federated learning serait un atout.

Adresse d’emploi :
IRIT Site Paul Sabatier, 118 Route de Narbonne, 31062 Toulouse, FRANCE

Document attaché : 202211181239_VILAGIL_Fiche_De_Poste_PostDoc_22_23.pdf