Archives

sujet de thèse : Clustering sous contraintes de séquences temporelles multivariées et hétérogènes – Application à des données hydrologiques

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

Laboratoire/Entreprise : ICube Strasbourg
Durée : 3 ans
Contact : florence.leber@engees.unistra.fr
Date limite de publication : 2025-05-19

Contexte :
Cette thèse s’inscrit dans le champ de l’apprentissage non supervisé ou faiblement supervisé appliqué aux données temporelles. Le clustering / classification, qui consiste à partitionner l’ensemble des objets analysés en groupes ou clusters, est une des approches les plus employées et repose sur une mesure de similarité entre les objets. Plus particulièrement, le clustering de séquences soulève des problèmes liés à la mesure de similarité entre deux individus. Par exemple, dans le suivi des cours d’eau, certains phénomènes répondent à une fréquence annuelle liée au cycle naturel de l’eau, mais peuvent être décalés dans le temps du fait de l’éloignement géographique et de la météorologie locale. Or, la mesure de similarité doit pouvoir prendre en compte ces potentiels décalages ou légère distorsions dans le temps. De nombreuses méthodes ont été proposées dans la littérature pour prendre en compte ces spécificités par exemple, Dynamic Time Warpping, Longest Common SubSequence , ou plus récemment des représentations par shapeletsou par réseau de neurones.

Sujet :
L’objectif principal de la thèse est de développer de nouvelles approches pour mesurer la similarité entre deux séries temporelles multivariées en prenant en compte des valeurs manquantes distribuées de manière hétérogène dans le temps et entre les variables. Il s’agira de définir des solutions pour intégrer l’information temporelle (espacement entre deux pas de temps, fréquences temporelles des mesures, …) dans le calcul de la similarité. Nous nous intéresserons également à la manière d’intégrer la connaissance de l’expert via des annotations, aussi appelées contraintes (par exemple, proximité/éloignement entre deux individus sur la base d’informations externes), portant à la fois sur des liens temporels et spatiaux entre différents individus, afin d’améliorer la correspondance entre le clustering obtenu et les attentes de l’expert. Ces approches seront expérimentées sur les données de suivi des cours d’eau, qui soulèvent différentes difficultés, du fait de leur nombre, de leur diversité, et de leur hétérogénéité à la fois spatiale et temporelle. On s’intéressera en particulier aux questions suivantes :
– clustering de séquences constituées de vecteurs de paramètres, sachant que ces paramètres ne sont pas mesurés toujours en même temps
– prise en compte des contraintes temporelles (saisons) ou géographiques (régions hydrographiques)
– couplage des données physico-chimiques avec les données biologiques ou hydrologiques (temporalités différentes)
– exploration des limites des méthodes en nombre et taille de séquences

Profil du candidat :

— Master 2 en Informatique
— Formation en sciences des données, fouille de données, apprentissage.

Formation et compétences requises :

— Connaissances solides en apprentissage automatique et en modélisation de connaissances.
— Bonnes compétences en programmation en Python ou R.
— Bonnes compétences de communication et à l’écrit en anglais.
— Un intérêt pour le sujet d’application

Adresse d’emploi :
UMR ICube, 67400 Illkirch (banlieue sud de Strasbourg, accessible en tram)

Document attaché : 202503231357_Suite_Adqeau.pdf

CCIP Apprentissage

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

Laboratoire/Entreprise : Toulouse School of Economics
Durée : CDD-CDI
Contact : edouard2.pauwels@ut-capitole.fr
Date limite de publication : 2025-05-16

Contexte :
Bonjour

La TSE ouvre un poste d’enseignant en Python et apprentissage automatique pour les titulaires d’un doctorat en mathématiques/informatique. Enseignements du L au M.

Il s’agit d’un CDD de 2+2 ans ouvrant sur CDI, avec une rémunération et une évolution de type MCF.

Voir annonce au lien suivant:

https://www.tse-fr.eu/sites/default/files/TSE/documents/doc/recrutement/annonce_ccip_2025.pdf

Date limite de postulation : 15 mai 2025

Pour tout renseignement écrire à jerome.bolte@tse-fr.eu, edouard.pauwels@tse-fr.eu

Bien cordialement
Jérôme Bolte

Sujet :
Poste d’enseignant en Python et apprentissage automatique pour les titulaires d’un doctorat en mathématiques/informatique.

Profil du candidat :
Il s’agit d’un CDD de 2+2 ans ouvrant sur CDI, avec une rémunération et une évolution de type MCF.

Voir annonce au lien suivant:

https://www.tse-fr.eu/sites/default/files/TSE/documents/doc/recrutement/annonce_ccip_2025.pdf

Formation et compétences requises :

Adresse d’emploi :
Toulouse School of Economics, Université Toulouse Capitole. Toulouse.

Bayesian Estimate of Galaxy Cluster Masses for Improved Cosmological Parameter Inference

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

Laboratoire/Entreprise : CRIStAL / Univ. Lille
Durée : 36 months
Contact : jenny.sorce@univ-lille.fr
Date limite de publication : 2025-06-30

Contexte :
This PhD thesis proposal focuses on improving galaxy cluster mass estimation to enhance cosmological parameter inference, in order to address critical challenges such as the S8 cosmological parameter discrepancy. By leveraging multi-wavelength observations, advanced statistical techniques including Bayesian inference and machine learning to solve this inverse problem, the project aims to refine relations between the cluster mass and their observable properties, reduce data dimensionality, and efficiently process large datasets. Anticipated outcomes include innovative Bayesian hierarchical models, optimized data reduction algorithms, and a robust inference pipeline for generating a high-fidelity galaxy cluster mass catalog towards testing cosmological models.

Sujet :
The standard cosmological model successfully describes the Universe’s large-scale structure and evolution. Observational evidence, including the cosmic microwave background (CMB) and the hierarchical distribution of galaxies in the cosmic web, provides strong support for this model. These data suggest that dark matter and dark energy dominate the Universe, together constituting approximately 95% of its total content.
Despite its success, this model faces challenges. For instance, the value derived for the S8 parameter, which characterizes the matter distribution on certain scales, differs by three standard deviations when using galaxy cluster counts instead of CMB observations. Resolving this tension is critical to determine whether new physics theories are required, or systematic errors in data analysis pipelines need to be accounted for.
Galaxy clusters are a key tool to address these challenges. As the largest gravitationally bound structures in the Universe, their number and masses are closely related to the underlying cosmology. Accurately estimating their masses and number across diverse environments and redshifts is essential to test the standard model and refine our understanding of the Universe.
This PhD project focuses on developing Bayesian hierarchical models to improve the estimation of galaxy cluster masses. By leveraging multi-wavelength observations, advanced data reduction, and machine learning techniques, this research will provide more precise mass estimates, refine scaling relations, and facilitate the inference of cosmological parameters from large datasets.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

Document attaché : 202503181504_main.pdf

Industry Partnership Event

Date : 2025-03-26 => 2025-03-28
Lieu : TA Pôle Santé / TA Bouguen
Université de Bretagne Occidentale
Brest

Industry Partnership Event in Human-Computer Interaction and AI Innovations


Registration (until March 20, 2025): https://forms.gle/SPsCceHoCfUJe3Ew7

The University of Brest is pleased to invite you to the Industry Partnership Event, taking place from 26 to 28 March 2025. This event will bring together academia and industry leaders (Elsevier, Orange, etc.) to explore collaboration opportunities in human-computer interaction, digital libraries, broader information access, natural language processing, and artificial intelligence.

Wednesday, March 26  – TA Pôle Santé (22 rue Camille Desmoulins, Brest)

  • 14h00 – 17h00: Tutorials for students

Thursday, March 27 – TA Bouguen (6 Rue du Bouguen, Brest)

  • 9h00 – 12h00: French innovation tools (SATT, IRT, FEM, Technopole)
  • 14h00 – 18h00: Presentations from top academic researchers and industries (Elsevier, Orange, University of Amsterdam, University of Regensburg)

Friday, March 28  – TA Pôle Santé (22 rue Camille Desmoulins, Brest)

  • 9h00 – 12h00: Presentations from top academic researchers and industries (Henning Müller – HES-SO Valais-Wallis, France Energy Marine etc.)
  • 14h00 – 17h00: Panel discussions and breakout groups

Best regards,


Liana Ermakova
Udo Kruschwitz
Jaap Kamps

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Poste MCF IA/Machine Learning

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

Laboratoire/Entreprise : LIFO (équipe Contraintes et Apprentissage), Univer
Durée : Prise de fonction au
Contact : guillaume.cleuziou@univ-orleans.fr
Date limite de publication : 2025-04-04

Contexte :
L’Université d’Orléans recrute un(e) Maître de Conférences en Informatique (section CNU 27) pour un poste au sein du Laboratoire d’Informatique Fondamentale d’Orléans (LIFO, équipe Contraintes et Apprentissage). Le poste est rattaché à l’UFR Sciences et Techniques.

Informations pratiques :
· Date de prise de fonction : 1er septembre 2025.
· Lieu : Université d’Orléans, Département Informatique, UFR-ST.
· Dépôt des candidatures : exclusivement via l’application Galaxie.

Pour plus d’informations :

Contact scientifique : Marcílio Pereira de Souto (responsable de l’équipe CA) Email : marcilio.desouto@univ-orleans.fr

Contact enseignement : Laure Kahlem (responsable du Département Informatique) Email : laure.kahlem@univ-orleans.fr

Sujet :
Le/la candidat(e) retenu(e) rejoindra l’équipe Contraintes et Apprentissage (CA) du LIFO, reconnue pour ses travaux en intelligence artificielle et apprentissage automatique. Les thématiques prioritaires incluent :

· Apprentissage supervisé, non supervisé et par renforcement ;
· Explicabilité des modèles et intégration de connaissances ;
· Modèles de langage de grande taille (LLM) et traitement automatique du langage (TAL) ;
· Apprentissage profond et sous contraintes.

Profil d’enseignement :
Le/la candidat(e) contribuera à l’enseignement dans les domaines suivants :

· Programmation avancée (Java), conception orientée objet, frameworks web, services web ;
· Intelligence artificielle, apprentissage automatique et profond.

Profil du candidat :

Formation et compétences requises :
Qualifications requises :

· Doctorat en informatique ou domaine connexe.
· Solides compétences en enseignement et recherche.
· Capacité à encadrer des étudiants (stages, projets de recherche).

Adresse d’emploi :
Université d’Orléans, LIFO, Département Informatique, UFR-ST.

Poste de Professeur des universités à l’Université de Rouen

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

Laboratoire/Entreprise : LITIS Lab, Rouen
Durée : –
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2025-04-04

Contexte :

Sujet :
Un poste de Professeur des universités est ouvert à l’UFR Sciences et Techniques de l’Université de Rouen, au profil « Statistiques en sciences des données » – Sections 61 & 26 du CNU : Département de mathématiques & Laboratoire LITIS (Équipe « Apprentissage »)

Profil pédagogique :
Le/la candidat(e) s’impliquera dans l’enseignement en statistique et ses applications, principalement au département de mathématiques, et dans d’autres départements de l’UFR ST. Il/elle contribuera à la création de cours en machine learning dans les formations du département de mathématiques.

Profil recherche :
La personne recrutée intégrera l’équipe « Apprentissage » du LITIS qui souhaite renforcer son potentiel d’encadrement et développer des recherches fondamentales à la frontière des Mathématiques, de la Science des Données, du Machine Learning et de l’Intelligence Artificielle, en collaboration avec le LMRS.

Pour plus d’informations :

Offre 252438 sur ODYSSEE

https://odyssee.enseignementsup-recherche.gouv.fr/procedures/recrutement-ec/offres-poste/fiche-offre-poste/252438

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Rouen

Document attaché : 202503181000_ODYSSEE_EditionPoste_Etab0761904G_OffreEC252438.pdf

CfP: MACLEAN: MAChine Learning for EArth ObservatioN (workshop @ECML/PKDD2025)

Date : 2025-09-19
Lieu : Porto, Portugal

MACLEAN: MAChine Learning for EArth ObservatioN

19 September 2025

KEY DATES

Paper submission deadline: June 14, 2025
Paper acceptance notification: July 14, 2025
Paper camera-ready deadline: TBA

CONTEXT

The huge amount of data currently produced by modern Earth Observation (EO) missions has raised up new challenges for the Remote Sensing communities. EO sensors are now able to offer (very) high spatial resolution images with revisit time frequencies never achieved before considering different kind of signals, e.g., multi-(hyper)spectral optical, radar, LiDAR and Digital Surface Models.
In this context, modern machine learning techniques can play a crucial role to deal with such amount of heterogeneous, multi-scale and multi-modal data. Some examples of techniques that are gaining attention in this domain include deep learning, domain adaptation, semi-supervised approach, time series analysis and active learning.
Even though the use of machine learning and the development of ad-hoc techniques are gaining increasing popularity in the EO domain, we can witness that a significant lack of interaction between domain experts and machine learning researchers still exists.
The objective of this workshop is to supply an international forum where machine learning researchers and domain-experts can meet each other, in order to exchange, debate and draw short and long term research objectives around the exploitation and analysis of EO data via Machine Learning techniques. Among the workshop’s objectives, we want to give an overview of the current machine learning researches dealing with EO data, and, on the other hand, we want to stimulate concrete discussions to pave the way to new machine learning frameworks especially tailored to deal with such data.

TOPICS
– Supervised Classification of Multi(Hyper)-spectral data
– Supervised Classification of Satellite Image Time Series data
– Unsupervised Learning of EO Data
– Deep Learning approaches to deal with EO Data
– Machine Learning approaches for the analysis of multi-scale EO Data
– Machine Learning approaches for the analysis of multi-source EO Data
– Semi-supervised classification approaches for EO Data
– Active learning for EO Data
– Transfer Learning and Domain Adaptation for EO Data
– Interpretability and explainability of machine learning methods in the context of EO data analysis
– Bayesian machine learning for EO Data
– Dimensionality Reduction and Feature Selection for EO Data
– Graphicals models for EO Data
– Structured output learning for EO Data
– Multiple instance learning for EO Data
– Multi-task learning for EO Data
– Online learning for EO Data
– Embedding and Latent factor for EO Data
– Foundation Models for Earth Observation
– Multi-Modal approaches for EO Data
– Self-supervised learning for EO Data
– Physics-informed machine learning for EO Data

INVITED SPEAKERS:

– Prof. Dr. Elif Sertel – Istanbul Technical University, Istanbul, TR, https://web.itu.edu.tr/~sertele/
Keynote title : TBA

SUBMISSION
We welcome original contributions, either theoretical or empirical, describing ongoing projects or completed work. Contributions can be of two types: either short position papers (up to 6 pages including references) or full research papers (up to 10 pages including references). Papers must be written in LNCS format, i.e., accordingly to the ECML-PKDD 2024 submission format. Accepted contributions will be made available electronically through the Workshop web page.
Post-proceedings will be also published at the CCIS (Communications in Computer and Information Science) series.

WORKSHOP WEBSITE:

https://sites.google.com/view/maclean25

SUBMISSION WEBSITE:

TBA

PC-CHAIRS

Thomas Corpetti, CNRS, LETG-Rennes COSTEL UMR 6554 CNRS, Rennes, France, thomas.corpetti@cnrs.fr
Roberto Interdonato, CIRAD, UMR Tetis, Montpellier, France, roberto.interdonato@cirad.fr
Cassio Fraga Dantas, INRAE, UMR Tetis, Montpellier, France, cassio.fraga-dantas@inrae.fr
Dino Ienco, INRAE, UMR Tetis, Montpellier, France, dino.ienco@inrae.fr
Minh-Tan Pham, Univ. Bretagne-Sud, UMR 6074, IRISA, Vannes, France, minh-tan.pham@irisa.fr

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Poste MCF 61 en

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

Laboratoire/Entreprise : Ecole d’Ingénieurs Jules Verne, Laboratoire des T
Durée : MCF
Contact : nadia.hamani@u-picardie.fr
Date limite de publication : 2025-05-31

Contexte :

Sujet :
Cher(e)s tou(te)s,

Un poste de Maître de Conférences en 61ème section est ouvert au concours à l’EiJV (Ecole d’Ingénieurs Jules Verne) sur le profil “Logistique et Supply Chain, transformation digitale”. (cf. fiche jointe).

Les candidats intéressés sont invités à se faire connaître,

Pour tout renseignement sur le poste, merci de bien vouloir nous contacter :

A : nadia.hamani@u-picardie.fr, Prof. Nadia Hamani, Responsable de la spécialité Logistique
Cc : gilles.dequen@u-picardie.fr, Prof. Gilles Dequen, Directeur de l’EiJV

Merci pour la publicité que vous pourriez accorder à cette annonce.

Bien cordialement,

Nadia Hamani et Gilles Dequen

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Ecole d’Ingénieurs Jules Verne, Saint Quentin

Document attaché : 202503171414_MCF 61 EiJV _2025.pdf

Maître de Conférences en Informatique et Intelligence Artificielle

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

Laboratoire/Entreprise : Centre de Génie Industriel / IMT Mines Albi
Durée : CDI
Contact : matthieu.lauras@mines-albi.fr
Date limite de publication : 2025-04-30

Contexte :
École du ministère en charge de l’industrie, IMT Mines Albi est une école de l’Institut Mines-Télécom (IMT), 1er groupe d’écoles d’ingénieurs et de management de France. À l’avant-garde des enjeux industriels et académiques sur la scène internationale, elle agit comme un moteur scientifique et économique territorial en combinant ses 4 missions – former des ingénieurs en intégrant la dynamique du développement durable, faire de la recherche scientifique, contribuer au développement économique et diffuser la culture des sciences, des techniques et de l’innovation – en un cercle vertueux et porteur d’innovation.
Site Internet de l’IMT : https://www.imt.fr/
Son positionnement en matière de formation et de recherche place IMT Mines Albi comme une école de référence sur trois des quatre thématiques de l’IMT, à savoir l’industrie du futur responsable, l’énergie, économie circulaire et société ainsi que l’ingénierie, santé et bien-être. IMT Mines Albi s’est dotée en 2023 et pour une période quinquennale, d’un plan stratégique décliné en 7 grandes actions, répondant aux orientations stratégiques du groupe IMT à laquelle elle appartient.
IMT Mines Albi représente : environ 1000 élèves-ingénieurs et chercheurs en formation, 360 personnels, un budget consolidé de 32 M€, 3 centres de formation et de recherche : Institut Clément Ader Albi (ICA-A), RAPSODEE et Centre Génie industriel (CGI).
Site Internet d’IMT Mines Albi : https://www.imt-mines-albi.fr/
IMT Mines Albi, au travers du CGI, développe des recherches à la frontière entre l’Intelligence Artificielle et le Génie Industriel, en collaboration avec des partenaires publics et industriels nationaux et internationaux. IMT Mines Albi fait partie de l’Institut Carnot MINES.

Sujet :
Ce poste, ouvert au sein d’IMT Mines Albi, est rattaché au Centre Génie Industriel (CGI) qui compte à ce jour environ 70 personnes. Le centre s’intéresse à l’accompagnement de la transition des écosystèmes en permettant de prendre des décisions responsables et durables, dans des environnements instables ou perturbés. Ceci est mis en pratique par la représentation, la modélisation et l’analyse des données de ces organisations afin de formaliser de la connaissance conduisant à la prise de décision dans des contextes hétérogènes, collaboratifs, incertains et/ou perturbés. Il est structuré selon des axes de recherche appliquée et des programmes scientifiques :
Les axes de recherche appliquée sont :
· Axe FLOWS : Flexible Logistics and Operations for sustainable WorldS ;
· Axe DiSCS : Digital Systems for Crisis management and Security ;
· Axe TRACE : Territorial Resilience, Agility, and Circular Economy ;
· Axe WHOPS : Well-being and Health through Organizational Processes and Services.
Les deux programmes scientifiques au cœur de ces axes de recherche appliquée sont :
· HOPOPOP : Hybridization for Operations & Planning, Organizations & Performance, Optimization & Problem-solving ;
· AIMED : Automated Information Modeling and Extraction for Decision-makers.

Profil du candidat :
Le ou la Maître(sse) de Conférence (MCF) recruté(e) aura pour mission de renforcer l’expertise du CGI en matière d’Informatique et plus particulièrement d’Intelligence Artificielle (IA) et Génie Logiciel appliqués au Génie Industriel. Il/elle aura à renforcer l’équipe d’Enseignants-Chercheurs du Centre sur les activités de formation et de recherche. Le ou la titulaire sera placé(e) sous l’autorité hiérarchique du directeur du CGI.
De manière générale, le/la MCF recruté(e) aura à participer au projet pédagogique de l’école, aux missions de formation, aux activités de recherche et de transfert de technologies, aux montages et suivis d’activités contractuelles et à des collaborations nationales et internationales. Il/elle sera une force vive pour leur développement et sera appelé(e) à exercer des responsabilités administratives et d’encadrement.
Pour ce qui est du rôle d’Enseignant-Chercheur, le/la titulaire aura à contribuer aux formations proposées par IMT Mines Albi, en participant notamment aux enseignements en Systèmes d’Information, Informatique et IA du tronc commun de la formation d’ingénieurs et de l’option Ingénierie de la Donnée et à l’encadrement d’élèves. Il/elle aura également à intégrer la dimension recherche de l’équipe du CGI en devenant une force vive de la composante numérique du centre, en venant notamment renforcer l’expertise de l’équipe en Génie Logiciel, en IA et/ou en technologies immersives. Il/elle devra être capable de monter et encadrer des projets de recherche (amont ou appliquée) en lien avec ces composantes scientifiques et techniques. La personne recrutée devra également participer à la forte dynamique de développement du CGI, notamment en matière de recherche contractuelle et subventionnée.
À moyen terme, le/la titulaire pourra être amené(e) à assumer la responsabilité du parcours « Systèmes d’Information » de l’Option « Ingénierie de la Donnée » du cycle de formation ingénieurs, voire la responsabilité de l’Option elle-même.

Formation et compétences requises :
La/le candidat(e) devra être titulaire d’un diplôme de doctorat. Son domaine d’expertise se situe de préférence en Informatique et plus particulièrement en IA (section CNU 27), avec si possible une expertise reconnue sur l’un des principaux domaines d’application du CGI.
La/le candidat(e) devra justifier de manière non exclusive :
· d’une expertise technique et scientifique forte en sciences de l’Informatique, et/ou en Sciences des Données, et/ou en Intelligence Artificielle et/ou en Génie Logiciel. Une compétence en lien avec les technologies immersives (VR / AR) serait un plus ;
· d’un savoir-faire démontré en matière d’enseignement dans les disciplines de l’Informatique et/ou de l’Intelligence Artificielle ;
· D’une expérience en termes de pilotage et de participations à des projets contractuels directs (CIFRE, Laboratoires Communs, Chaires, etc.) ou à des projets collaboratifs subventionnés (ANR, Europe, ADEME, Région, etc.) ;
· d’une production scientifique cohérente avec les standards du métier ainsi que d’une expérience de l’encadrement et de la formation doctorale.

Adresse d’emploi :
https://institutminestelecom.recruitee.com/o/maitre-ou-maitresse-de-conferences-en-informatique-et-intelligence-artificielle-cdi

Document attaché : 202503171012_Appel à candidature – MA CGI – 20250305.pdf

Extraction d’attributs pertinents à partir d’images pour la caractérisation du cancer du sein par les techniques d’apprentissage automatique.

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

Laboratoire/Entreprise : Laboratoire IBISC, Université d’Evry Paris-Saclay
Durée : 5-6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2025-04-30

Contexte :

Sujet :
Description du sujet:

Le cancer du sein est considéré dans le monde comme la première cause de mortalité parmi les différentes localisations du cancer chez les femmes. Malgré les progrès importants réalisés ces dernières décennies pour améliorer la gestion de ce type de cancer, des outils de diagnostic plus précis sont encore nécessaires pour aider les experts à lutter contre cette maladie mortelle. De nombreux travaux ont été menés pour détecter la présence de tissus cancéreux dans le sein et pour la classification tumorale, en utilisant des outils dérivés de l’intelligence artificielle, souvent inspirés des systèmes naturels. En effet, des études récentes ont été publiées et plusieurs outils ont été développés, essentiellement basés sur l’apprentissage automatique, pour identifier et catégoriser automatiquement les masses mammaires malignes. Dans ce travail, nous nous concentrons sur l’extraction des attributs caractérisant les masses mammaires malignes, en tenant compte des paramètres environnementaux, tels que la pollution atmosphérique. Après une étude approfondie des méthodes récentes, le candidat développera une méthode basée sur les approches d’apprentissage automatique. La méthode développée permettra l’identification du cancer du sein et facilitera la prise de décision. La validation de la méthode proposée sera effectuée sur des bases de données connues.
Références:

[1] Peikari, M., Salama, S., Nofech-Mozes, S. and Martel, A.L., 2017. Automatic cellularity assessment from post-treated breast surgical specimens. Cytometry Part A, 91(11), pp.1078-1087.

[2] P. Khosravi, E. Kazemi, M. Imielinski, O. Elemento, and I. Hajirasouliha, Deep convolutional neural networks enable discrimination of heterogeneous digital pathology images,EBioMedicine, vol. 27, pp. 317 – 328, 2018.

[3] Adel Abdelli, Rachida Saouli, Khalifa Djemal, Imane Youkana, Combined Datasets For Breast Cancer Grading Based On Multi-CNN Architectures. 10th IEEE International conference on Image processing Theory, Tools and Applications IPTA 2020, November 09-12, Paris, France.

[4] Rima Daoudi and Khalifa Djemal, Breast Cancer Classification by Artificial Immune Algorithm based Validity Interval Cells Selection, Proceedings of ECTA 2016, ISBN: 978-989-758-201-1, Porto, Portugal, 9-11 november 2016.

[5] Konstantinos Charalampous and Antonios Gasteratos, Bio-inspired Deep Learning Model for Object Recognition, IEEE International Conference on Imaging Systems and Techniques (IST), pages:51 – 55, October 22-23, Beijing, china, 2013.

[6] S.R. Kheradpisheh, M. Ganjtabesh, and T. Masquelier, Bio-inspired unsupervised learning of visual features leads to robust invariant object recognition. Neurocomputing 205 (2016), pages: 382-392.

[7] https://www.acr.org

Profil du candidat :
Sujet de stage pour Master 2 ou équivalent, de préférence des spécialités suivantes :
– Machine Learning
– Imagerie Biomédicale
– Informatique Biomédicale

Formation et compétences requises :
– Programmation Python, Matlab,
– Machine Learning
– Des connaissances de base en traitement d’images

Adresse d’emploi :
Université d’Evry Paris Saclay
Laboratoire Informatique, Biologie Intégrative et Systèmes Complexes – IBISC, 40 rue du Pelvoux, 91020 Evry, France.

Document attaché : 202503170951_Sujet-Stage-Master2-CS-2024-2025.pdf