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

Laboratoire/Entreprise : LIFAT Tours France
Durée : 3 ans
Contact : jyramel@univ-tours.fr
Date limite de publication : 2022-07-15

Contexte :
PhD Title: Graph Neural Networks for morphofunctional analysis and comparison of brain structures

Supervisors
● Jean-Yves Ramel (PR HDR) – LIFAT Université de Tours
● Elodie Chaillou (CR HC HDR) – INRAE PRC
● En collaboration avec l’équipe iBrain, INSERM (C. Destrieux, F. Anderson)

Description
Nowadays, the development of brain imaging methods generates a considerable amount of morphological and
functional data. However, their exploration and comparison over time for an individual (development and aging),
between individuals (variability within the species), and even more so between different species have been done only
partially. We propose to model these data in the form of graphs, then to use recent approaches of artificial intelligence
to better analyze them.
This approach has already been initiated by a multidisciplinary consortium of researchers in neuroanatomy, biology
and computer science as well as neurosurgeons during the Regional projects NeuroGéo and Neuro2Co (LIFAT, INRAE,
INSERM). It led to the creation of SILA3D, a software platform (in free access) allowing the representation of anatomo-
functional data in the form of graphs thanks to an interactive semantic segmentation of images [1, 2].

Sujet :
In this context, the proposed thesis aims to create new algorithms for anatomical and functional analysis and
comparison of brain structures using recent deep neural networks techniques dedicated to graphs (GNN, geometric
deep learning …).
The general objectives of this thesis are:
– To specify different strategies for modeling the brain data as graphs. For this, morphological and functional data from
different imaging modalities, including structural MRI and tractography, will be combined using different approaches
to be defined. The PhD student will use two datasets already acquired: a) ex vivo high field MRI of the human brainstem
(iBrain and NeuroSpin) [5, 10]; b) in vivo MRI of growing lambs (PRC and PIXANIM) [8].
– To Investigate differences between individuals (human brainstem variability) and over time (monitoring lamb brain
development from birth to adulthood [7,8,9]). The PhD student will propose several graph comparison methods
exploiting recent advances in Deep Learning on Graphs (GNN) [3, 4, 11].
The scientific challenges associated with these objectives are (1) to develop new graph-based deep learning methods
for the detection and classification of particular substructures in an encephalon (semi-supervised classification of
nodes) [3, 11]; (2) to develop new graph-based deep learning methods for the comparison, discrimination, and
classification of encephalon (supervised or unsupervised classification of graphs) [4,11].

More information: https://lifat.univ-tours.fr/medias/fichier/offre-phd-gnnbrain2022_1648463721506-pdf

Profil du candidat :
Candidates must have an MSc or engineering degree in a field related to computer science or applied mathematics,
with strong programming skills (in particular with deep learning frameworks). Experience with medical image analysis
or brain analysis will be a plus. Candidates are expected to have abilities to write scientific reports and communicate
research results at conferences in English

Formation et compétences requises :
Applications should include the following documents in electronic format: i) A short motivation letter stating why you
are interested in this project, ii) A detailed CV describing your past education and research background related to the
position. iii) The transcripts for master degrees. iv) The contact information for references (do not include the
reference letters with your applications as we will only ask for the reference letters for short-listed candidates).
Please send your application package to jean-yves.ramel@univ-tours.fr and elodie.chaillou@inrae.fr
A first selection will occur and then interviews will be proposed between April and the end of May.

Adresse d’emploi :
The position will start in October 2022 with a salary of 1975 euros gross/month (legal amount for doctoral contracts
in France) and will be located in Tours, France (LIFAT Lab). Ideally located in the heart of France (Loire Valley), one hour from Paris
and 2.5 hours away from the Atlantic Ocean, Tours is a lively and dynamic city.

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

Laboratoire/Entreprise : Collaboration GIN/CREATIS/INRIA
Durée : 36 mois
Contact : carole.lartizien@creatis.insa-lyon.fr
Date limite de publication : 2022-07-15

Contexte :
Key words: Machine learning, Deep Learning; Multidimensional data, Segmentation, Neuroimaging, Self-supervised learning, Anomaly detection, Unsupervised representation learning

The vast majority of deep learning architectures for medical image analysis are based on supervised models requiring the collection of large datasets of annotated examples. Building such annotated datasets, which requires skilled medical experts, is time consuming and hardly achievable, especially for some specific tasks, including the detection of small and subtle lesions that are sometimes impossible to visually detect and thus manually outline. This critical aspect significantly impairs performances of supervised models and hampers their deployment in clinical neuroimaging applications, especially for brain pathologies that require the detection of small size lesions (e.g. multiple sclerosis, microbleeds) or subtle structural or morphological changes (e.g. Parkinson disease).

Sujet :
To solve this challenging issue, the objective of this thesis is to develop and evaluate deep self-supervised detection and segmentation approaches whose training does not require any fine semantic annotations of the anomalies localization.
During the PhD thesis, new methodological research axes will be considered based on the prolific literature in this field. We will explore different categories of self-supervised methods, including : novel unsupervised auto-encoder based anomaly detection models leveraging on the recent developments in visual transformers blocks (ViT) or vector quantized variational autoencoders (VQ-VAE), scalability of Gaussian mixture models as well as weakly supervised models based on scarce annotations.
In a first step, we will focus on Parkinson disease and micro hemorrhage imaging data and fuse different MR modalities.

Environment : We offer a stimulating research environment gathering experts in Image processing, Neurosciences & Neuroimaging, Advanced Statistical and Machine Learning methods. The PhD position is granted by the “Défi IA” program sponsored by la Région Auvergne Rhône-Alpes.

How to apply: Send an email directly to the supervisors with your CV and persons to contact. Interviews of the selected applicants will be done on an ongoing basis. Applications will be accepted up to the 30st of June.
(see attached file for details)

Profil du candidat :
We are looking for an enthusiastic and autonomous student with strong motivation and interest in multidisciplinary research (image processing and machine learning in a medical context).

Formation et compétences requises :
Candidate should have strong background either in machine learning and/or deep learning or image processing and some experience in both fields as well as good programming skills.

Adresse d’emploi :
Location: Grenoble Neurosciences Institute: https://neurosciences.univ-grenoble-alpes.fr & CREATIS – Villeurbanne: https://www.creatis.insa-lyon.fr/. Time sharing in the two laboratories will be discussed with the selected candidates.

Document attaché : 202203281242_PhD_proposal_Self_Supervised_Learning_Neuroimaging_CREATIS_GIN_INRIA.pdf

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

Laboratoire/Entreprise : CREATIS / LIRIS
Durée : 3 ans
Contact : michael.sdika@creatis.insa-lyon.fr
Date limite de publication : 2022-05-13

Contexte :
L’apprentissage profond a fait faire un bond en avant fulgurant à l’analyse d’image médicale. Cependant, les réseaux
de neurones restent des “boîtes noires”: on ne sait ni comment sont prises les décisions ni quelles sont les
caractéristiques de l’image d’entrée utilisé pour la décision. Or le domaine médical est un domaine critique dans
lequel on shouhaite la décision soit transparente ou au moins vérifiable par clinicien. Par ailleurs, les bases
d’apprentissage/validation/test étant souvent issues de la partition d’une même base globale, un biais dans celle ci
affectera la généralisation du réseau qui montrerait pourtant de bons résultats.
Les cartes d’attributions [IG,EG], identifiant les pixels d’importance dans le décision d’un réseau, permettent parfois
de voir, a posteriori, les zones utilisées par un réseau pour prendre sa décision.Avec ces outils, nous avons montré à
CREATIS, que pour un classifieur sujets sains vs pathologiques, on pouvait améliorer l’interprétabilité
[Wargnier2021] ou utiliser ces cartes à l’apprentissage pour baser la décision sur les lésions (voir figure ci dessous)
[Wargnier 2022].

Sujet :
Différents axes pourront être abordés durant la thèse.
Nous avons constaté qu’avec notre terme de régularisation [Wargnier2022], l’apprentissage était plus long et plus
difficile. Le premier axe de la thése sera un travail sur la stabilisation de l’apprentissage: comprendre pourquoi
l’apprentissage est plus compliqué et proposer des méthodes pour réduire les temps d’apprentissage.
Notre terme de régularisation n’étant adapté qu’à des problèmes de classification, dans un second axe nous
pourrons étendre notre régularisation à des tâches de régression. Nous pourrons comme cas d’application des
problèmes de recalage affine ou de prédiction du handicap en sclérose en plaque.Dans un troisième axe, nous étendrons notre approche à la segmentation. Pour cette tâche ce type de
régularisation pourrait réduire le nombre de sujets annotées nécessaire. Il faudra prendre en compte deux
nouveaux aspects: le changement d’architectures qui sont de type encodeur/decodeur et le fait que la sortie n’est
pas qu’une unique valeurs mais une image de même taille que l’image d’entrée.

Profil du candidat :
Formation : machine/deep learning, mathématiques appliquées, analyse d’images, vision par ordinateur.
Un excellent niveau en développement logiciel, anglais (écrit/oral) et des facilités de rédaction sont aussi
attendues.
Merci de fournir les documents suivant avec votre candidature :
– Curriculum Vitae
– Diplômes et notes pour l’ensemble du cursus universitaire
– Lettre(s) de recommandation de l’encadrant de stage
– Lettre de motivation

Formation et compétences requises :
Formation : machine/deep learning, mathématiques appliquées, analyse d’images, vision par ordinateur.
Un excellent niveau en développement logiciel, anglais (écrit/oral) et des facilités de rédaction sont aussi
attendues.
Merci de fournir les documents suivant avec votre candidature :
– Curriculum Vitae
– Diplômes et notes pour l’ensemble du cursus universitaire
– Lettre(s) de recommandation de l’encadrant de stage
– Lettre de motivation

Adresse d’emploi :
Lieu : CREATIS La Doua Campus, Villeurbanne, France
Démarrage: Octobre 2022

Document attaché : 202203251552_phd-2022.pdf

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

Laboratoire/Entreprise : LISN, CNRS, Univ. Paris Saclay
Durée : 36 mois
Contact : lionel.mathelin@lisn.upsaclay.fr
Date limite de publication : 2022-05-31

Contexte :
Les processus de décision à fort enjeu et les applications scientifiques nécessitent à la fois des méthodes robustes et la capacité de quantifier l’incertitude des approches d’apprentissage automatique prédictif pour minimiser les risques et fournir la rigueur scientifique requise. Néanmoins, les méthodes traditionnelles d’apprentissage automatique
telles que l’apprentissage profond rencontrent des difficultés à expliquer leurs résultats, à faire respecter les contraintes physiques et à traiter de petites bases de données souvent bruitées. La mécanique des fluides, par exemple, peut normalement offrir des quantités de données très limitées ou de faible qualité, la vérité terrain est régulièrement inconnue, les bases de données de référence sont conventionnellement rares, et enfin, leurs problèmes ont généralement des termes et des paramètres inconnus. Récemment, le développement des réseaux des neurones guidés par la physique a ouvert de nouvelles perspectives pour la solution de différentes équations différentielles universelles et de solveurs pour les équations aux dérivées partielles dans les problèmes de haute dimension. Malgré les progrès de l’intégration des techniques de quantification de l’incertitude dans ces techniques, celles-ci sont encore sous-utilisées pour diverses raisons. Tout d’abord, il s’agit encore d’un domaine en développement avec de nombreux concepts encore flous pour la communauté de l’apprentissage automatique. De même, les applications de la mécanique des fluides ont un coût de calcul plus élevé que leurs homologues traditionnels de l’apprentissage profond, ce qui renforce l’hésitation de la communauté de l’apprentissage automatique par les techniques traditionnelles de quantification de l’incertitude. De même, les communautés d’apprentissage automatique se sont appuyées sur des ensembles de données simples pour valider les méthodes de quantification de l’incertitude, et elles ne peuvent traiter que des problèmes à faible dimension.

Sujet :
Cette thèse a pour objectif de développer de nouvelles stratégies de
quantification d’incertitudes dédiées à la fiabilisation de méthodes pour l’apprentissage automatique scientifique dans le domaine de la mécanique des fluides numériques.
Un focus sera fait sur des applications de systèmes de mécanique des fluides multi-échelles permettant de tester la sensibilité de la quantification à des incertitudes de différentes natures et à différentes échelles. Elle envisage également l’utilisation de méthodes d’analyse après-coup séparées du modèle prédictif. Dans ce cas, un modèle externe observe les méthodes d’apprentissage et tente de comprendre leurs incertitudes prédictives en observant les différents patterns d’erreurs qui conduisent aux incertitudes prédictives des modèles. Enfin, cette thèse explorera l’utilisation de méthodes de d’incertitude classiques (par ex., polynômes de chaos, indices de Sobol) avec ceux utilisés par les méthodes d’apprentissage profond.

Mots-clefs : Apprentissage profond, quantification des incertitudes, systèmes physiques complexes, approche Bayésienne, mécanique des fluides, hémodynamique.

Profil du candidat :
Master en Mathématiques appliquées, statistiques, science des données, quantification des incertitudes.

Formation et compétences requises :
Connaissance des méthodes d’apprentissage automatique et formation en mathématiques appliquées et statistiques.

Utilisation des outils actuels de science des données : langage Python et
framework de deep learning (comme PyTorch, TensorFlow ou Keras).

Adresse d’emploi :
Laboratoire Interdisciplinaire des Sciences du Numérique (LISN)
Université Paris-Saclay, CNRS

Document attaché : 202203251540_UDOPIA_Thesis_Proposal_UQSML.pdf

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

Laboratoire/Entreprise : Laboratoire Informatique et Société Numérique (LIS
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2022-04-22

Contexte :
La détection d’anomalies est un sujet important de l’analyse de données. La définition d’une anomalie peut varier en fonction du domaine d’application ou de l’objectif visé, mais généralement on considère que c’est une observation qui dévie considérablement du reste des autres observations comme si elle était générée par un processus différent. Ainsi, dans certains cas la détection d’anomalies peut permettre d’améliorer la qualité des données par suppression ou remplacement des données anormales. Dans d’autres cas, les anomalies traduisent un événement et apportent de nouvelles connaissances utiles. Par exemple, la détection d’anomalies peut prévenir un dommage matériel et donc inciter à la maintenance préventive dans le domaine de l’industrie. Elles peuvent aussi être signe de la présence d’un nouveau phénomène qu’il faudra essayer de prendre en compte, comme la détection d’une nouvelle classe.

Sujet :
L’apprentissage machine et plus particulièrement l’apprentissage profond (deep learning) permettent d’obtenir des performances très élevées lorsqu’on cherche par exemple à détecter et reconnaitre des objets ou encore à classifier des zones d’intérêt dans des images ou des vidéos. Cependant, en utilisation réelle, il faut décider si une nouvelle observation appartient à la même distribution que les observations existantes (utilisées lors de l’apprentissage), ou si elle doit être considérée comme différentes. Ce type de distinctions peut intervenir à deux niveaux selon les contextes. Dans un premier cas les données d’apprentissage contiennent des observations aberrantes qui sont définies comme des observations éloignées des autres. Les estimateurs de détection des aberrations tentent donc d’ajuster les régions où les données d’apprentissage sont les plus concentrées, en ignorant les observations déviantes. Dans le second cas, les données d’apprentissage ne sont pas polluées par des valeurs aberrantes, mais ces dernières peuvent survenir lors de la phase de te. Dans ce cas, nous sommes intéressés à adjoindre aux méthodes de reconnaissance une aptitude à écarter les nouvelles observations aberrantes. Nous sommes donc intéressés à détecter si une nouvelle observation est une valeur aberrante. Il s’agit notamment d’éviter que le système prenne une décision, à tort, avec une grande confiance. Dans ce contexte, la détection d’une observation aberrante peut avoir différents intérêts car elle pourrait par exemple être liée à une information pertinente jamais rencontrée ou non apprise jusqu’ici. Il apparaît donc important de pouvoir détecter dans un premier temps ces anomalies et, dans un deuxième temps, d’essayer de les exploiter pour mettre en évidence d’éventuelles nouvelles données utiles.

Dans le cadre de ce projet, nous allons nous focaliser sur le deuxième cas, à savoir la détection d’anomalies en condition d’utilisation réelle. Notre objectif en développant ces méthodes de détection est double. Il s’agit d’éviter les erreurs et de progresser vers une meilleure compréhension du processus de prise de décision par ces systèmes souvent considérés comme des « boîtes noires », dont le fonctionnement interne n’est pas explicable. Cela devrait aussi contribuer à caractériser les éléments conduisant à la prise de décision, via par exemple un niveau de confiance dans la décision.

Profil du candidat :
Etudiant de niveau master 2 avec une formation universitaire ou école d’ingénieur.

Formation et compétences requises :
Le candidat devra avoir des compétences en mathématiques appliquées, informatique, statistique, sciences des données et traitement du signal et des images.

Une première expérience dans le domaine de l’apprentissage profond et dans l’utilisation des bibliothèques TensorFlow ou PyTorch seront des plus.

Adresse d’emploi :
Université de Technologie de Troyes