Imagerie hyperspectrale informatique rapide

Objectif : Nous recherchons activement un stagiaire postdoctoral ou un ingénieur pour diriger le développement
d’un système d’imagerie informatique à grande vitesse adapté à l’imagerie hyperspectrale. Cette caméra de pointe
doit être développée pour détecter le signal de fluorescence de la Protoporphyrine, notamment dans le cadre
de la résection de gliomes. Ce rôle, financé par l’ANR, englobera l’ensemble des responsabilités,
de la conceptualisation et de la simulation à la conception du système, en passant par la mise en œuvre pratique et
la caractérisation complète. Cette opportunité passionnante impliquera l’acquisition d’hypercubes à partir
d’échantillons de gliomes ex vivo et in vivo directement dans la salle d’opération de l’hôpital.
Mots clés : Imagerie hyperspectrale, optique géométrique, spectromètre, fluorescence, imagerie mono-pixel
, Python, gliome.
Contexte : Notre groupe de recherche se consacre à l’avancement des systèmes d’imagerie informatique qui
exploitent la synergie des innovations matérielles et logicielles [1, 2], avec un accent spécifique sur l’acquisition
de cubes de données hyperspectraux caractérisés par deux dimensions spatiales et une dimension spectrale. À cette
fin, nous avons développé une configuration d’imagerie hyperspectrale interne (comme le montre la figure 1a) composée d’
un dispositif à micromiroir numérique (DMD), d’un spectromètre et d’une caméra.
Dans cette configuration, le spectromètre capture une série de spectres associés à des modèles de lumière prédéfinis
chargés sur le DMD, nous permettant de reconstruire le cube de données hyperspectral. Cette
conception de système innovante découle de notre objectif principal : optimiser la résection des gliomes pour améliorer l’espérance de vie des
patients. Actuellement, l’ablation des gliomes implique une intervention chirurgicale qui consiste à ouvrir la cavité crânienne
et à extraire la tumeur. Lors de cette opération, les neurochirurgiens utilisent un microscope à fluorescence pour
observer l’émission de Protoporphyrine IX (PpIX), un fluorophore présent sélectivement dans les cellules tumorales.
Cependant, le microscope à fluorescence actuel ne peut fournir que des informations sur l’intensité totale de la fluorescence
. Notre équipe de recherche a démontré qu’en exploitant le spectre complet de PpIX
présent dans les gliomes, il est possible de distinguer les frontières entre tissu tumoral et tissu sain
[3]. Par conséquent, notre configuration initiale est transportée vers la salle d’opération du bloc neurochirurgical,
nous permettant d’acquérir des cubes de données hyperspectrales à partir de biopsies réalisées au cours de la procédure (comme illustré sur la figure
1b-1).
Ces biopsies présentent des caractéristiques spectrales distinctes (comme le montre la figure 1b -2/3) à divers
endroits, nous permettant d’identifier la frontière séparant les cellules saines et tumorales. Cette innovation-
L’approche efficace est très prometteuse pour améliorer la précision et l’efficacité des
procédures de résection des gliomes.
Défi : Actuellement, la durée totale d’acquisition est adaptée aux échantillons de biopsie mais s’avère peu pratique
pour l’imagerie in vivo, sans parler du manque de résolution spatiale. En réponse, notre groupe de recherche
a développé des stratégies d’imagerie compressive visant à réduire le nombre de modèles requis pour
l’acquisition, diminuant ainsi la durée totale d’acquisition. Cette approche innovante fait appel à
des réseaux de neurones profonds pour reconstruire le cube hyperspectral correspondant à la scène observée. Au fil du temps, nous
avons proposé diverses architectures de réseaux profonds [4], chacune conçue pour optimiser le
processus de reconstruction hyperspectrale. Ces réseaux se sont révélés très efficaces pour débruiter les données expérimentales
obtenues avec notre dispositif d’imagerie hyperspectrale.
Même si cela représente une avancée significative, elle reste insuffisante pour des applications cliniques in vivo
. Un développement matériel est nécessaire pour améliorer la vitesse en développant une deuxième configuration.
Les tâches principales du projet comprennent :
• la prise en charge du dispositif optique existant et ses améliorations
• le développement du deuxième dispositif optique
• le développement du logiciel de contrôle de l’instrumentation (basé sur le package SPAS [5])

l’utilisation d’un algorithme de reconstruction avancé basé sur l’apprentissage profond (basé sur le package spyrit[6])
• la caractérisation du dispositif d’imagerie (par exemple, sensibilité, résolution spatiale et spectrale)
Détails du projet Le projet comprend deux tâches principales concurrentes :
• Configuration optique Amélioration et imagerie de biopsie : La première tâche consiste à prendre en charge
la configuration optique existante et à apporter des améliorations, tant au niveau logiciel que matériel, si
nécessaire. La configuration améliorée sera utilisée pour acquérir des cubes de données hyperspectrales à partir de biopsies
dans la salle d’opération de l’hôpital. Ces cubes acquis seront analysés et comparés
à l’analyse anapathologique. Cette comparaison vise à distinguer les cellules tumorales des
cellules saines, fournissant ainsi des informations précieuses pour les applications cliniques.
• Développement d’un spectromètre à capteur 2D : La deuxième tâche se concentre sur la création d’
une toute nouvelle configuration optique visant à accélérer le processus d’acquisition de données hyperspectrales.
Le bras spectral actuel, qui utilise un spectromètre commercial doté d’un capteur 1D, sera
remplacé par un spectromètre à capteur 2D sur mesure. Cette nouvelle configuration comprendra un
réseau, un prisme et une caméra, permettant la capture simultanée du spectre complet de plusieurs
lignes d’image. Contrairement au dispositif actuel, qui acquiert des lignes de manière séquentielle à l’aide d’un
capteur linéaire, cette avancée devrait augmenter considérablement la vitesse d’imagerie. A titre d’exemple,
une image 64×64 peut être acquise 64 fois plus rapidement qu’avec la configuration existante. Le
logiciel d’acquisition sera mis à jour pour gérer les modèles 2D correspondant aux modèles Hadamard 1D qui
se répètent dans une direction. Le candidat retenu sera responsable de la construction du
spectromètre 2D, impliquant l’utilisation d’une lentille cylindrique pour compresser une dimension spatiale et d’un
prisme ou d’un réseau (ou d’une combinaison des deux) pour disperser et diffracter la lumière sur le capteur 2D.
Ces deux tâches représentent les éléments essentiels de notre projet, avec le potentiel d’
améliorer considérablement nos capacités d’imagerie hyperspectrale et leurs applications pratiques dans le domaine médical.
Compétences : Nous recherchons un candidat enthousiaste et motivé possédant une solide expérience en
conception de configurations optiques. La maîtrise de la programmation Python est un prérequis pour ce rôle, car elle sera
essentielle au développement du capteur 2D.
Salaire : entre 2000 € et 2400 € net mensuel selon l’expérience

durée : 18 mois.
Comment postuler : Envoyer CV et lettre de motivation à mahieu@creatis.insa-lyon.fr et Bruno.
Montcel@creatis.insa-lyon.fr
Références
[1] G. Beneti Martins, L. Mahieu-Williame, T. Baudier et N. Ducros, « Openspyrit : un écosystème pour
l’imagerie hyperspectrale ouverte à un seul pixel », Opt Express, vol. 31, pp. 15599-15614, mai 2023.
[2] https://www.creatis.insa-lyon.fr/˜ducros/WebPage/single_pixel_imaging.html .
[3] L. Alston, L. Mahieu-Williame, M. Hebert, P. Kantapareddy, D. Meyronet, D. Rousseau, J. Guyotat
et B. Montcel, « Complexité spectrale de la fluorescence PpIX induite par le 5-ALA en chirurgie : Une
étude clinique vers la discrimination des tissus sains et des limites des marges dans
les gliomes de haut et de bas grade », vol. 10, pp. 2478-2492, mai 2019.
[4] FP Antonio Lorente Mur, Pierre Leclerc et N. Ducros, « Reconstruction d’images mono-pixels à partir de
données expérimentales à l’aide de réseaux de neurones ». Optique Express, Vol. 29, numéro 11, pp. 17097-17110, mai
2021.
[5] https://github.com/openspyrit/spas .
[6] https://github.com/openspyrit/spyrit .