Etudes Non Stop Etudes Non Stop
Related Articles
Lieu de la thèse:
Laboratoire de traitement de l’information médicale (LaTIM), Institut français de la santé et de la recherche médicale (INSERM UMR 1101), Brest, France,
Période :
3 ans, à partir d’octobre 2020.
Contexte et objectifs:
Parmi les approches de deep learning, les modèles génératifs (GM) notamment basés sur les GAN (Generative Adversarial Networks) gagnent beaucoup d’intérêt en imagerie médicale.
L’une des limites actuelles des MG dans un contexte médical réside dans le grand volume d’images nécessaires à leur formation, car l’accès à de grands ensembles de données cliniques est généralement rendu difficile. Pour cette raison, il est souvent nécessaire de recourir à des méthodes de génération d’images synthétiques, dont l’objectif est d’atteindre le plus haut niveau de réalisme possible. Une façon de produire des jeux de données d’images simulées réalistes est l’utilisation de Monte Carlo, en particulier dans le contexte de l’imagerie par rayonnement (TEP, SPECT, CT). Cependant, ces simulations ne conviennent pas à toutes les méthodes d’imagerie (comme l’imagerie par résonance magnétique (IRM) ou l’imagerie par ultrasons) et nécessitent des temps de calcul très longs, parfois prohibitifs.
L’objectif de cette thèse sera de développer une approche alternative pour la génération d’images médicales réalistes basée sur le concept de „quelques plans d’apprentissage“, une idée émergente en vision par ordinateur qui consiste à restreindre l’apprentissage des modèles génératifs à un petit nombre voire à un image unique. Ces développements méthodologiques prometteurs n’ont jusqu’à présent pas été exploités pour la génération d’images pathologiques en imagerie médicale. L’un des objectifs de la thèse sera le développement de modèles GAN à quelques tirs pour la simulation d’images cancéreuses TEP, CT et IRM. Le réalisme des images générées sera évalué avec minutie par comparaison avec des simulations de Monte Carlo très réalistes et des images cliniques réelles.
Qualifications:
Éducation :
Le candidat doit être titulaire d’une maîtrise dans l’un de ces domaines: physique, génie électrique / électronique, informatique, mathématiques appliquées.
Intérêts scientifiques:
Bonne compréhension de la physique de l’imagerie médicale et de ses défis.
Compétences en programmation:
Traitement fluide des données à l’aide de langages de script (shell UNIX / python / Matlab).
Langues:
Anglais (gratuit), français (facultatif).
Contacts :
Envoyer avant Avril 30 e (en français ou en anglais) CV, grades / marques (quelle que soit actuellement disponible que si vous êtes actuellement sur un Master), et une brève déclaration d’intérêt par courriel à:
Vincent Jaouen: vjaouen@gmail.com et Dimitris Visvikis ( dimitris.visvikis@inserm.fr ).
