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

Laboratoire/Entreprise : IMT Atlantique / CHU Brest
Durée : 5 mois
Contact : yannis.haralambous@telecom-bretagne.eu
Date limite de publication : 2025-03-15

Contexte :
Lors des entretiens de bilan psychiatrique, les psychiatres s’appuient sur des signaux faibles afin d’élaborer un diagnostic et une prise en charge adaptée. Dans ce contexte, les outils d’aide à la décision peuvent apporter une aide décisive pour orienter le clinicien et améliorer la prise en charge.

On s’intéressera particulièrement dans le cadre de ce stage aux signaux liés aux discours et au regard de personnes à risque de souffrir de santé mentale. Le stage est ainsi interdisciplinaire, entre psychiatrie, traitement automatique de la langue et oculométrie. Son objectif est la mise en place d’une procédure d’acquisition et de traitement de corpus multimodal parole/oculométrie pour les entretiens de bilan psychiatrique. Le but est d’agréger les deux modalités pour obtenir des meilleures performances en matière de détection de comorbidités et avec l’espoir de pouvoir extraire, ultérieurement, de ces données des indicateurs de diagnostic précoce de pathologie(s).

Sujet :
Le stage procédera par les étapes suivantes.

1) La mise en place d’outils d’acquisition de corpus multimodal (enregistrement de la parole, transcription, mouvements oculaires).

2) L’enregistrement du corpus d’une dizaine d’entretiens de bilan psychiatriques (exécuté par le CHU).

3) La prise en main et l’application d’algorithmes déjà existants d’alignement de la transcription écrite et de la parole.

4) L’ajout de données oculométriques, tant au niveau des saccades oculaires qu’au niveau de la cible du regard.

5) Expérimentations et analyse sur le corpus en utilisant l’équipement mis en place, afin de repérer des réactions du patient, aux niveaux linguistique et oculométrique.

Les livrables attendus sont :

(a) Déploiement et adaptation de dispositifs et de logiciels (les chaînes d’acquisition et de traitement de données multimodales).

(b) Le corpus multimodal acquis, sous forme de ressource réutilisable.

(c) Code source et résultats issus de l’analyse du corpus pour la détection de comorbidités.

(d) Rapport de stage.

Profil du candidat :
Étudiant en M2 en traitement automatique de la langue ou en IA ou en sciences cognitives ou élève-ingénieur.

• Intérêt pour la recherche dans le domaine de la santé ;
• bonne expérience en programmation Python, en particulier en traitement des données ;
• aptitude à comprendre et à déployer des outils existants, à expérimenter en autonomie ;
• des connaissances ou une expérience préalable en traitement automatique de la langue et/ou en analyse de corpus seraient un avantage majeur.

Formation et compétences requises :

Adresse d’emploi :
ENCADRANTS
##########
Gábor Bella, IMT Atlantique
Yannis Haralambous, IMT Atlantique
Philippe Lenca, IMT Atlantique
Sorin Moga, IMT Atlantique
Laurent Navarro, École des Mines de Saint-Étienne
Christophe Lemey, CHU de Brest

CONTACTS
########
Envoyer votre CV, lettre de motivation, relevés de notes et tout autre document à

Yannis Haralambous, IMT Atlantique : yannis.haralambous@imt-atlantique.fr
Gábor Bella, IMT Atlantique : gabor.bella@imt-atlantique.fr

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

Laboratoire/Entreprise : Laboratoire LISTIC – Université Savoie-Mont-Blanc
Durée : 4 à 6 mois
Contact : jean-yves.ramel@univ-smb.fr
Date limite de publication : 2025-01-26

Contexte :
Machine Learning sur Graphes (GNN et VGAE) pour des applications en neurosciences et imagerie multimodales.

L’objectif de ce travail n’est pas seulement de produire un système de classification obtenant de bonnes performances mais aussi de mettre en place des modèles permettant d’expliquer les décisions produites.

Sujet :
Missions :
1. Étude de l’état de l’art sur les représentations graphes adaptées à la représentation d’images 3D multimodales et sur les modèles GNN et VGAE permettant le traitement de telles données.
2. Sélection du mode de construction des graphes en utilisant des techniques de segmentation d’images déjà implémentées appliquées à des IRM cérébrales T1 et TEP. Il s’agira de définir les meilleurs paramètres à utiliser pour intégrer les informations multimodales de manière pertinentes au sein des graphes (mode de segmentation, mode de création des nœuds et arêtes, attributs des nœuds et arêtes du graphes).
3. Mise en place de modèles GNN et/ou VGAE et des procédures d’explicabilité associées. Application à l’analyse de graphes représentant des cerveaux humains sein ou ayant un niveau de pathologie plus ou moins important. L’objectif n’est pas uniquement de classifier mais aussi
d’identifier les bio-marqueurs associés à la tâche étudiée.
4. Les modèles proposés pourront être évalués sur un dataset d’images IRM 3D T1 et TEP de cerveaux humains (détection précoce de la maladie d’Azheimer).
5. Comparaison des performances avec d’autres modèles afin de déterminer la pertinence des solutions proposées dans ce contexte. Évaluation des performances des modèles pour la détection de patterns ou d’anomalies liés à la progression des maladies d’Alzheimer.

Plus d’infos : http://jyramel.free.fr/DATA/stage202425jyr.pdf

Profil du candidat :
• Étudiant(e) en Master 2 ou école d’ingénieurs en Informatique, Machine Learning, Data Science.
• Compétences en Machine Learning (notamment variational autoencoders, GNN, VGAE)
• Maîtrise de Python et des bibliothèques associées (PyTorch, TensorFlow, scikit-learn).
• Esprit analytique, capacité à travailler en équipe

Formation et compétences requises :
Tuteurs / Contacts
jean-yves.ramel@univ-smb.fr – Antoine.bourlier@univ-tours.fr
Merci d’envoyer votre CV et lettre de motivation

Adresse d’emploi :
Laboratoire LISTIC – Bureau 204
Bat 2D – Polytech-Annecy-Chambery
Université Savoie-Mont-Blanc
Campus Savoie-Technolac
73376 Le BOURGET du LAC cedex