Doctorant(e) : Deep Learning pour la détection de motifs anatomiques atypiques en imagerie cérébrale (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

Un(e) Doctorant(e) : Deep Learning pour la détection de motifs anatomiques atypiques en imagerie cérébrale (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-ALEBRI0-006
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

L’inversion hippocampique incomplète (IHI) est un motif anatomique atypique du cerveau. Bien qu’elle soit assez courante dans la population générale (15 à 20 %), elle a été liée à plusieurs troubles neurologiques et psychiatriques majeurs, principalement l’épilepsie et la schizophrénie. Les causes de ce motif atypique restent pour la plupart inconnues. Nous avons récemment publié une étude suggérant un effet potentiellement important des facteurs génétiques (Cury et al, 2020). Néanmoins, l’étude comprenait un échantillon de taille modérée et des études à plus grande échelle sont nécessaires. La présence d’IHI peut être évaluée sur la base des données d’imagerie par résonance magnétique (IRM). Cela se fait actuellement par inspection visuelle à l’aide d’échelles standardisées. Ces échelles évaluent différentes caractéristiques de l’IHI, leur combinaison étant utilisée pour déterminer la présence ou l’absence d’IHI. Une telle approche est fiable et reproductible. Cependant, elle ne s’applique pas à de très grands échantillons.
L’objectif de ce projet est de concevoir et de valider une méthode de deep learning pour l’évaluation automatique de l’IHI à partir de données d’IRM et de l’utiliser pour élucider ses bases génétiques. Le projet peut éventuellement commencer sous la forme d’un stage de master.
Le premier objectif est de concevoir une approche de deep learning pour l’évaluation automatique des IHI. Pour cela, nous proposons une approche de joint training, en prédisant simultanément les critères anatomiques individuels ainsi que la présence globale de l’IHI. Une telle approche a l’avantage de rendre le modèle potentiellement plus interprétable. Nous réaliserons des études d’ablation pour comprendre l’importance des différentes composantes de notre modèle. Afin d’entrainer et de valider le modèle, nous disposons d’un ensemble de données d’environ 2000 sujets avec des annotations. Nos collaborateurs disposent également d’ensembles de données annotées dans différentes maladies (schizophrénie, dépression...). Nous chercherons à étendre le modèle pour le rendre robuste aux variations des séquences d’acquisition de l’IRM.
Ensuite, nous proposons d’appliquer le modèle à plusieurs ensembles de données afin d’étudier les bases génétiques de l’IHI. Plus spécifiquement, nous prévoyons d’appliquer le modèle à la UKBIOBANK, qui compte plus de 20 000 participants avec des données IRM et génétiques, à l’étude d’imagerie jumelée du Queensland ainsi qu’à certains ensembles de données du consortium ENIGMA. L’outil développé sera distribué en tant que logiciel Open Source suivant le cadre développé dans notre recherche précédente (Wen et al, 2020).

Contexte de travail

Vous travaillerez au sein du laboratoire ARAMIS (?url=www.aramislab.fr&module=jobs&id=24968" 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 sera mené en collaboration avec l’équipe Empenn de l’Inria Rennes (Claire Cury). Nous avons également des liens étroits avec l’Université de Californie du Sud à Los Angeles, USA (Ho-Sung Kim, Paul Thompson) et avec l’Université du Queensland à Brisbane, Australie (Peter Visscher, Naomi Wray) qui sont pertinents pour le sujet. Une partie de la recherche effectuée dans le cadre de ce projet pourrait être réalisée en collaboration avec ces deux universités.
Le stage/thèse sera dirigé par Olivier Colliot (Directeur de recherche, HDR) et co-supervisé par Claire Cury (Chercheur scientifique, Inria Rennes) et Baptiste Couvy-Duchesne (Postdoc, AramisLab).

Nous avons accès à un supercalculateur comprenant 1044 GPU nVIDIA V100.

Contraintes et risques

Pas de contraintes particulières