Offre de thèse
CD Modèles d'apprentissage automatique utilisant l'imagerie TEP aux acides aminés pour guider les décisions de routine clinique en neuro-oncologie
Date limite de candidature
01-06-2025
Date de début de contrat
01-10-2025
Directeur de thèse
VERGER Antoine
Encadrement
Encadrement 50-50 • Suivi régulier de leurs co-encadrants de thèse avec réunion dont la fréquence sera définie selon le besoin du doctorant • Encouragement à l'autonomie et à la prise d'initiative • Adaptation du plan de thèse en fonction des besoins et des progrès du doctorant
Type de contrat
école doctorale
équipe
contexte
Les tumeurs cérébrales, notamment les gliomes, sont des cancers agressifs associés à un mauvais pronostic, avec une médiane de survie de 15 mois pour les glioblastomes. Le diagnostic et le suivi de ces tumeurs reposent en grande partie sur l'imagerie médicale, en particulier l'IRM et la TEP aux acides aminés (18F-FDOPA, 18F-FET). La TEP est recommandée pour la planification des biopsies, car elle permet d'identifier les zones les plus agressives de la tumeur. Cependant, l'analyse actuelle repose principalement sur la fixation statique du traceur, alors que la dynamique tumorale pourrait fournir des informations supplémentaires précieuses. Par ailleurs, la TEP aux acides aminés est également utilisée pour différencier une radionécrose d'une progression tumorale, une question clé en neuro-oncologie. De nombreuses études ont démontré son efficacité, que ce soit par des analyses conventionnelles ou des approches plus avancées intégrant l'intelligence artificielle (IA). L'IA joue un rôle croissant en santé, avec des modèles capables d'automatiser des tâches complexes comme la segmentation et l'analyse d'images. Toutefois, les modèles traditionnels nécessitent de grandes quantités de données annotées et peinent à généraliser leurs performances hors des ensembles d'entraînement. L'essor des modèles de fondation, entraînés sur de vastes bases de données multimodales de manière auto-supervisée, ouvre de nouvelles perspectives. Ces modèles, encore peu développés pour l'imagerie 3D et inexistants pour la TEP. Ils pourraient permettre une meilleure exploitation des données médicales avec un faible besoin d'annotations dans des tâches sous-jacente en exploitant les représentations apprises précédemment. De plus, malgré un nombre exponentiel de publications tentant de développer un modèle d'apprentissage automatique pour répondre à une question spécifique, seul un très petit nombre d'entre elles passent en routine clinique souvent par manque d'évaluation dans ce contexte et d'acceptabilité du modèle ce qui pose un véritable défi.spécialité
Sciences de la Vie et de la Santé - BioSElaboratoire
IADI - Imagerie Adaptative Diagnostique et Interventionnelle
Mots clés
Imagerie, Neuro-oncologie, Tomographie par émission de positions, Apprentissage auto-supervisé, Intelligence artificielle explicable
Détail de l'offre
À l'ère de la médecine personnalisée, il est essentiel de disposer d'outils non invasifs permettant de mieux caractériser les gliomes afin d'optimiser la prise de décision clinique. L'imagerie médicale joue un rôle clé dans ce domaine, notamment l'imagerie TEP aux acides aminés, recommandée en complément de l'IRM par les groupes d'experts internationaux. L'objectif de ce projet est de développer des modèles d'apprentissage automatique capables de capturer les relations complexes entre les voxels des images TEP aux acides aminés dans le gliome. Une attention particulière sera portée sur l'explicabilité afin de favoriser leur adoption en routine clinique. Le premier volet du projet consiste à construire un modèle d'apprentissage profond auto-supervisé permettant d'apprendre une représentation robuste des gliomes à partir d'images IRM et TEP multimodales. Cette représentation sera ensuite exploitée dans deux applications cliniques majeures : (i) la planification de la biopsie en identifiant une sous-région agressive d'un gliome afin d'améliorer la précision du prélèvement et (ii) le diagnostic différentiel entre radionécrose et progression tumorale avec une évaluation par les médecins en condition clinique. En résumé, ce projet vise à exploiter les avancées de l'IA et de l'imagerie médicale pour améliorer la caractérisation des gliomes et leur prise en charge clinique.
Keywords
Imaging, Neuro-oncology, Positrong emission tomography, Self-supervised learning, Explainable artificial intelligence
Subject details
In the era of personalized medicine, it is essential to develop non-invasive tools to better characterize gliomas and optimize clinical decision-making. Medical imaging plays a key role in this field, particularly amino acid PET imaging, which is recommended alongside MRI by international expert groups. The objective of this project is to develop machine learning models capable of capturing the complex relationships between voxels in amino acid PET images of gliomas. A strong emphasis will be placed on explainability to facilitate their adoption in clinical practice. The first part of the project involves building a self-supervised deep learning model to learn a robust representation of gliomas from multimodal MRI and PET images. This representation will then be used for two major clinical applications: (i) biopsy planning by identifying an aggressive subregion of a glioma to improve sampling precision and (ii) differential diagnosis between radionecrosis and tumor progression, with evaluation by physicians under clinical conditions. In summary, this project aims to leverage advances in AI and medical imaging to improve glioma characterization and clinical management.
Profil du candidat
Nous recherchons un(e) chercheur(se) passionné(e) par le traitement d'images et l'apprentissage automatique pour rejoindre notreéquipe. 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
We are looking for a researcher with a passion for image processing and machine learning to join our team. You will be working oncutting-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
Albert NL, Weller M, Suchorska B, Galldiks N, Soffietti R, Kim MM, et al. Response Assessment in Neuro-Oncology working group and European Association for Neuro-Oncology recommendations for the clinical use of PET imaging in gliomas. Neuro-Oncology. 2016;18:1199–208.
Ginet M, Zaragori T, Marie P-Y, Roch V, Gauchotte G, Rech F, et al. Integration of dynamic parameters in the analysis of 18F-FDopa PET imaging improves the prediction of molecular features of gliomas. Eur J Nucl Med Mol Imaging. 2020;47:1381–90.
Ahrari S, Zaragori T, Rozenblum L, Oster J, Imbert L, Kas A, et al. Relevance of Dynamic 18F-DOPA PET Radiomics for Differentiation of High-Grade Glioma Progression from Treatment-Related Changes. Biomedicines. 2021;9:1924.
Kunz M, Thon N, Eigenbrod S, Hartmann C, Egensperger R, Herms J, et al. Hot spots in dynamic18FET-PET delineate malignant tumor parts within suspected WHO grade II gliomas. Neuro-Oncology. 2011;13:307–16.
Ahrari S, Zaragori T, Zinsz A, Hossu G, Oster J, Allard B, et al. Clinical impact of an explainable machine learning with amino acid PET imaging: application to the diagnosis of aggressive glioma. Eur J Nucl Med Mol Imaging [Internet]. 2025 [cited 2025 Jan 17]; Available from: https://link.springer.com/10.1007/s00259-024-07053-6
Sun, Y., Wang, L., Li, G. et al. A foundation model for enhancing magnetic resonance images and downstream segmentation, registration and diagnostic tasks. Nat. Biomed. Eng (2024). https://doi.org/10.1038/s41551-024-01283-7
Yuan, H., Chan, S., Creagh, A.P. et al. Self-supervised learning for human activity recognition using 700,000 person-days of wearable data. npj Digit. Med. 7, 91 (2024). https://doi.org/10.1038/s41746-024-01062-3