Description du stage

Le Deep Learning est devenu l'une des approches les plus efficaces pour assister les radiologues dans l'analyse d'images médicales, en particulier pour les tâches de segmentation.

Néanmoins, les méthodes de segmentation entièrement automatisées peuvent rencontrer des difficultés dans les cas complexes ou manquer de l’adaptabilité nécessaire pour répondre à des besoins cliniques spécifiques.

L’objectif de ce stage est d’explorer des modèles d’apprentissage profond interactifs pour la segmentation des tumeurs et des zones ablatées dans des images CT (tomodensitométrie).

Pour cela, vous allez concevoir, implémenter et évaluer un cadre interactif pour la segmentation des tumeurs et des régions ablatées dans des données CT 3D.

Ce cadre s’appuiera sur une ou plusieurs interactions utilisateur (par exemple, des clics positifs ou négatifs) pour générer un masque de segmentation, en combinant des caractéristiques visuelles extraites de l’image avec les entrées utilisateur agissant comme des contraintes.

Plusieurs approches récentes ont été introduites pour traiter la segmentation profonde interactive.

• Guidage par clics utilisateur : l'utilisateur fournit des points positifs et négatifs qui sont introduits dans le réseau de segmentation en même temps que le volume d'image. Si la segmentation initiale est insatisfaisante, des points supplémentaires peuvent être ajoutés pour affiner le résultat [1][3][4].
• Guidage par masque : en plus des points positifs et négatifs fournis par l'utilisateur, le réseau reçoit également le masque prédit précédemment, ce qui permet un raffinement itératif de la segmentation [2].

Vos missions seront les suivantes :

• Revue approfondie de l’état de l’art des cadres de segmentation interactive.
• Préparation d’une étude technique mettant en évidence les avantages et les limitations des méthodes actuelles de segmentation interactive dans les volumes CT.
• Mettre en œuvre l’approche appropriée sur un jeu de données interne contenant des tumeurs hépatiques et des zones ablatées.
• Évaluation et comparaison de la méthode choisie à des méthodes non interactives déjà développées par l’équipe.

Profil et compétences requises

• Vous êtes en École d’Ingénieur·e ou Master en Intelligence Artificielle.
• Vous avez une expérience en Python et en frameworks de deep learning tels que TensorFlow ou PyTorch.
• Vous avez une compréhension solide des principes de reinforcement learning, du deep learning et de machine learning.
• Vous avez d’excellentes compétences en communication et en travail d'équipe.

Compétences souhaitables

• Vous êtes familier·e avec les formats de données d'imagerie médicale (exemple : DICOM) et les techniques de traitement.

Bibliographie :

[1] K. Sofiiuk et al. (2022), Reviving Iterative Training with Mask Guidance for Interactive Segmentation. 2022 IEEE International Conference on Image Processing (ICIP). https://arxiv.org/pdf/2102.06583.

[2] A. Diaz-Pinto et al. (2022), DeepEdit: Deep Editable Learning for Interactive Segmentation of 3D Medical Images. DALI 2022 (MICCAI workshop). https://arxiv.org/pdf/2305.10655.

[3] J. Ma et al. (2024), Segment anything in medical images. Nature Communications. https://www.nature.com/articles/s41467-024-44824-z

[4] L. Machado et al. (2025), A promptable CT foundation model for solid tumor evaluation. NPJ precision oncology 2025. A promptable CT foundation model for solid tumor evaluation

Le process de recrutement :

1. Candidature sur Welcome to the Jungle.
2. Entretien (Teams visio ou sur site) – Tuteur/Responsable Technique – 45 minutes

La Diversité fait partie intégrante de nos valeurs. Aussi, nous étudions avec intérêt toutes les candidatures sans distinction pouvant être liée à une caractéristique physique ou morale.