Offre de thèse
CD : analySe mulTimodale d'Images Médicales poUr la cLassification des tUmeurs oSseuses (STIMULUS)
Date limite de candidature
07-06-2024
Date de début de contrat
01-10-2024
Directeur de thèse
TEIXEIRA Pedro
Encadrement
50 - 50
Type de contrat
école doctorale
équipe
contexte
Les tumeurs osseuses primaires représentent moins de 1% de toutes les tumeurs malignes (1,2). La différenciation entre les tumeurs osseuses bénignes et malignes est cruciale pour une prise en charge optimale du patient et a un impact majeur sur son pronostic (1,3). Les lésions osseuses solitaires sont souvent découvertes de manière fortuite dans la pratique radiologique de routine. De nombreuses études soulignent les avantages d'une analyse structurée dans la caractérisation des lésions, compte tenu des nombreuses caractéristiques démographiques, cliniques et d'imagerie identifiées comme des caractéristiques valables (4-7). En outre, une analyse structurée peut améliorer la prise en charge des patients et faciliter la communication entre les professionnels de santé de différentes spécialités (4-7). Des études antérieures ont proposé des systèmes de données et de rapports fondés sur des données probantes (RADS) pour évaluer les lésions osseuses focales (8-10). Ces systèmes prenaient en compte un large éventail de caractéristiques pour la caractérisation des lésions (10). Bien qu'ils aient contribué à l'avancement des rapports structurés pour les lésions osseuses solitaires, aucun de ces systèmes n'est actuellement largement utilisé (11). Pour surmonter les principales lacunes des systèmes précédemment proposés, une analyse statistique plus complète, incorporant un plus grand nombre de caractéristiques du patient en combinaison avec un classement robuste des caractéristiques, est explorée pour produire un système de rapport précis pour les lésions osseuses solitaires.spécialité
Sciences de la Vie et de la Santé - BioSElaboratoire
IADI - Imagerie Adaptative Diagnostique et Interventionnelle
Mots clés
Imagerie médicale, traitement d'images, apprentissage automatique (ML), radiologie
Détail de l'offre
Les tumeurs osseuses primaires représentent moins de 1% de toutes les tumeurs malignes. La différenciation entre les tumeurs osseuses bénignes et malignes est cruciale pour une prise en charge optimale du patient et a un impact majeur sur son pronostic. Les lésions osseuses solitaires sont souvent découvertes de manière fortuite dans la pratique radiologique de routine, c'est-à-dire dans des centres non-expert. L'objectif de la thèse sera donc de développer un modèle complétement automatique d'analyse des images pour la classification des tumeurs osseuses. Ce modèle analysera directement les images médicales, multimodales (CT, radio et IRM) pour extraire des paramètres (biomarqueurs d'imagerie ou critères) servant à la classification. Cette automatisation de la lecture d'image permettra de démocratiser le screening de la population pour la classification de tumeurs osseuses afin de pouvoir référer dans un centre expert les patients le plus tôt possible et leur permettre d'obtenir un diagnostic précis le plus rapidement possible. L'originalité du projet résidera aussi dans le développement de techniques d'analyse d'images capables de faire un diagnostic à partir d'un jeu de données incomplet, c'est à dire sans les images issues d'une ou plusieurs modalités.
Keywords
Medical imaging, image processing, machine learning (ML), radiology
Subject details
Primary bone tumors represent less than 1% of all malignant tumors. Differentiating between benign and malignant bone tumors is crucial for optimal patient management and has a major impact on the patient's prognosis. Solitary bone lesions are often incidentally discovered in routine radiological practice, i.e. in non-expert centers. The aim of the thesis will therefore be to develop a fully automated image analysis model for the classification of bone tumors. This model will directly analyze multimodal medical images (CT, X-ray and MRI) to extract parameters (imaging biomarkers or criteria) used for classification. This automated image reading will make it possible to democratize population screening for the classification of bone tumors, so that patients can be referred to an expert center as early as possible and obtain an accurate diagnosis as quickly as possible. The originality of the project will also lie in the development of image analysis techniques capable of making a diagnosis from an incomplete set of images, i.e. without images from one or more modalities.
Profil du candidat
Activités
1. Mise au point de techniques d'analyse d'images multi-modales
a. Discuter des besoins avec l'équipe de radiologie du CHRU de Nancy.
b. Discuter des solutions existantes avec les experts du laboratoire.
c. Collaboration étroite avec le CIC-IT pour la compréhension de la base de données et l'analyse statistique.
2. Dissémination
a. Réunions régulières avec les partenaires du projet.
b. Soumettre et présenter des travaux lors de conférences internationales (MICCAI, NeurIPS,ICLR..).
c. Rédiger et soumettre des articles de journaux (IEEE TMI, MedIA, ...).
3. Networking
a. Construire un réseau de collaborateurs internationaux (par le biais de conférences ou de programmes d'échange (Fulbright, Marie Curie, etc…)).
4. Supervision
a. Encadrement des étudiants en master.
Nous recherchons un(e) chercheur(se) passionné(e) par le traitement d'images et l'apprentissage automatique pour rejoindre notre équipe. Vous travaillerez sur des projets de pointe pour développer des solutions innovantes à des problèmes complexes.
Compétences requises :
Compétences techniques :
• Connaissances avancées en traitement d'images (acquisition, filtrage, segmentation, reconnaissance d'objets, etc.)
• Connaissances avancées en apprentissage automatique (classification, régression, clustering, deep learning, etc.)
• Maitrise de langages de programmation (Python, ....)
• Expérience avec des librairies de ML (scikit-learn, pytorch, tensorflow, etc.)
• Capacité à développer et à déployer des modèles d'apprentissage automatique
• Aptitude à travailler avec des environnements de calcul haute performance (GPU, etc.)
Compétences comportementales :
• Indépendant et capable de travailler de manière autonome
• Capacité à travailler en équipe et à collaborer avec des experts d'autres domaines
• Rigoureux et soucieux du détail
• Excellent esprit d'analyse et de résolution de problèmes
• Capacité à communiquer clairement et efficacement
Formations / diplômes :
• Master en informatique, mathématiques, ingénierie ou domaine connexe
Candidate profile
Activities
1. Development of multi-modal image analysis techniques
a. Discuss needs with the radiology team at the Nancy CHRU.
b. Discuss existing solutions with laboratory experts.
c. Close collaboration with the CIC-IT for understanding the database and statistical analysis.
2. Dissemination
a. Regular meetings with project partners.
b. Submitting and presenting work at international conferences (MICCAI, NeurIPS, ICLR, etc.).
c. Writing and submitting journal articles (IEEE TMI, MedIA, etc.).
3. Networking
a. Build a network of international collaborators (through conferences or exchange programmes (Fulbright, Marie Curie, etc.)).
4. Supervision
a. Supervision of master's students.
We are looking for a researcher with a passion for image processing and machine learning to join our team. You will be working on cutting-edge projects to develop innovative solutions to complex problems.
Skills required:
Technical skills :
- Advanced knowledge of image processing (acquisition, filtering, segmentation, object recognition, etc.)
- Advanced knowledge of machine learning (classification, regression, clustering, deep learning, etc.)
- Proficiency in programming languages (Python, C++, etc.)
- Experience with ML libraries (scikit-learn, pytorch, tensorflow, ...)
- Ability to develop and deploy machine learning models
- Ability to work with high-performance computing environments (GPU, etc.)
Behavioural skills :
- Independent and able to work autonomously
- Ability to work in a team and collaborate with experts from other fields
- Thorough and detail-oriented
- Excellent analytical and problem-solving skills
- Ability to communicate clearly and effectively
Education / qualifications :
- Master's degree in computer science, mathematics, engineering or related field
Référence biblio
1. Ferguson JL, Turner SP. Bone Cancer: Diagnosis and Treatment Principles. Am Fam Physician. 15 août 2018;98(4):205‑13.
2. Franchi A. Epidemiology and classification of bone tumors. Clin Cases Miner Bone Metab Off J Ital Soc Osteoporos Miner Metab Skelet Dis. mai 2012;9(2):92‑5.
3. Biermann JS, Adkins DR, Agulnik M, Benjamin RS, Brigman B, Butrynski JE, et al. Bone cancer. J Natl Compr Cancer Netw JNCCN. 1 juin 2013;11(6):688‑723.
4. Balleyguier C, Ayadi S, Van Nguyen K, Vanel D, Dromain C, Sigal R. BIRADS classification in mammography. Eur J Radiol. févr 2007;61(2):192‑4.
5. Russ G, Bonnema SJ, Erdogan MF, Durante C, Ngu R, Leenhardt L. European Thyroid Association Guidelines for Ultrasound Malignancy Risk Stratification of Thyroid Nodules in Adults: The EU-TIRADS. Eur Thyroid J. sept 2017;6(5):225‑37.
6. Thomassin-Naggara I, Poncelet E, Jalaguier-Coudray A, Guerra A, Fournier LS, Stojanovic S, et al. Ovarian-Adnexal Reporting Data System Magnetic Resonance Imaging (O-RADS MRI) Score for Risk Stratification of Sonographically Indeterminate Adnexal Masses. JAMA Netw Open. 3 janv 2020;3(1):e1919896.
7. Mehta K, McBee MP, Mihal DC, England EB. Radiographic Analysis of Bone Tumors: A Systematic Approach. Semin Roentgenol. oct 2017;52(4):194‑208.
8. Chang CY, Garner HW, Ahlawat S, Amini B, Bucknor MD, Flug JA, et al. Society of Skeletal Radiology– white paper. Guidelines for the diagnostic management of incidental solitary bone lesions on CT and MRI in adults: bone reporting and data system (Bone-RADS). Skeletal Radiol [Internet]. 28 mars 2022 [cité 11 avr 2022]; Disponible sur: https://doi.org/10.1007/s00256-022-04022-8
9. Chhabra A, Gupta A, Thakur U, Pezeshk P, Dettori N, Callan A, et al. Osseous Tumor Reporting and Data System-Multireader Validation Study. J Comput Assist Tomogr. 1 août 2021;45(4):571‑85.
10. Ribeiro GJ, Gillet R, Hossu G, Trinh JM, Euxibie E, Sirveaux F, et al. Solitary bone tumor imaging reporting and data system (BTI-RADS): initial assessment of a systematic imaging evaluation and comprehensive reporting method. Eur Radiol. oct 2021;31(10):7637‑52.
11. Ribeiro GJ, Gillet R, Blum A, Teixeira PAG. Imaging report and data system (RADS) for bone tumors: where do we stand and future directions. Skeletal Radiol. 1 févr 2023;52(2):151‑6.