Doctorant : Deep Learning interprétable pour l’imagerie cérébrale des maladies neurodégénératives (H/F)

Centre National de la Recherche Scientifique

• CNRS
• Les annuaires de l'organisme
• Mots-clefs CNRS
• Travailler au CNRS
• CNRS en région
• Français
• English

Doctorant : Deep Learning interprétable pour l’imagerie cérébrale des maladies neurodégénératives (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : lundi 15 mars 2021

Faites connaître cette offre !

Informations générales

Référence : UMR7225-ALEBRI0-007
Lieu de travail : PARIS 13
Date de publication : lundi 22 février 2021
Nom du responsable scientifique : Olivier COLLIOT
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Le deep learning offre de grandes promesses pour améliorer le diagnostic des maladies neurodégénératives à partir des données d’imagerie cérébrale. Bien qu’il puisse atteindre des performances impressionnantes, sa nature de boîte noire est un obstacle à son adoption à grande échelle. La recherche s’intéresse donc fortement à l’amélioration de l’interprétabilité des systèmes de deep learning. Actuellement, les approches les plus utilisées pour l’interprétation des réseaux neuronaux sont basées sur la visualisation, à savoir : i) des variations autour de l’idée de saliency maps ; ii) des méthodes d’occlusion qui modifient l’entrée pour perturber le comportement du modèle. D’autres méthodes comprennent l’approximation par des modèles plus simples et l’utilisation d’un apprentissage commun. Voir Xie et al, pour une revue récente.
L’objectif de ce projet est de concevoir des modèles de deep learning interprétables pour l’analyse des données d’imagerie cérébrale. La principale application visée sera le diagnostic assisté par ordinateur des maladies neurodégénératives. Le projet peut commencer sous la forme d’un stage de master.
Nous proposons d’abord de développer des approches basées sur l’idée d’un apprentissage conjoint, plus précisément l’apprentissage simultané d’une classification ainsi que de caractéristiques médicales interprétables (échelles visuelles des anomalies définies par les neuroradiologues, caractéristiques volumétriques). Nous appliquerons également des techniques de visualisation pour interpréter les différentes branches du réseau. Les données considérées comprendront des cohortes de recherche et de routine clinique de patients atteints de la maladie de Parkinson, de la maladie d’Alzheimer et d’autres maladies neurodégénératives (syndromes parkinsoniens atypiques, démence fronto-temporale).
Ensuite, plusieurs pistes de recherche peuvent être envisagées, en fonction des intérêts de l’étudiant. Le premier axe consiste à étendre les approches d’apprentissage en commun à des tâches plus complexes (segmentation, délimitation approximative...). Un deuxième axe pourrait envisager d’utiliser l’interprétabilité pour étudier la robustesse et identifier les modes de défaillance potentiels du système. Une troisième idée consiste à combiner l’analyse d’images avec le traitement du langage naturel pour la génération automatique de rapports médicaux. Pour cet objectif spécifique, nous disposons d’un ensemble de données d’environ 100 000 participants avec IRM et rapports médicaux. Enfin, si cela l’intéresse, le doctorant pourrait également mener des recherches sur les aspects conceptuels de l’interprétabilité, y compris la définition de ce qu’est un système interprétable et son impact sur la médecine (voir par exemple Lipton).

Contexte de travail

Vous travaillerez au sein du laboratoire ARAMIS (?url=www.aramislab.fr&module=jobs&id=24967" target="_blank" rel="nofollow">www.aramislab.fr) de l’Institut du cerveau de Paris. L’institut est idéalement situé au cœur de l’hôpital de la Pitié-Salpêtrière, au centre de Paris.
Le laboratoire ARAMIS, qui fait également partie de l’Inria (Institut national de recherche en informatique et en mathématiques appliquées), se consacre au développement de nouvelles approches informatiques pour l’analyse de grands ensembles de données cliniques et de neuroimagerie. Avec environ 35 personnes, le laboratoire a une composition multidisciplinaire, réunissant des chercheurs en apprentissage machine et en statistiques et des médecins (neurologues, neuroradiologues).
Le projet de recherche sera mené dans le cadre de la Chaire Olivier Colliot de l’Institut Interdisciplinaire d’Intelligence Artificielle (3IA) PRAIRIE (?url=http%3A%2F%2Fprairie-institute.fr%2F&module=jobs&id=24967" target="_blank" rel="nofollow">http://prairie-institute.fr/), l’un des quatre instituts 3IA créés dans le cadre du plan français pour l’intelligence artificielle.
Nous avons accès à un supercalculateur comprenant 1044 GPU nVIDIA V100.

Contraintes et risques

Pas de contraintes particulières