Topic description
L'intelligence artificielle et, en particulier, l'apprentissage profond transforment aujourd'hui l'analyse d'images biomédicales. Toutefois, de nombreux verrous subsistent pour les données issues de la microscopie 3D+temps, qui permettent de suivre en direct la formation des embryons. Ces données sont massives, hétérogènes, déséquilibrées (beaucoup de fond, peu de structures pertinentes), et reflètent des dynamiques cellulaires complexes. Les méthodes classiques atteignent vite leurs limites face à cette richesse d'information.
Ce projet de thèse vise à développer de nouvelles approches d'IA adaptées à ce contexte, afin de mieux comprendre la variabilité morphologique des embryons et d'ouvrir la voie à une analyse quantitative, comparative et automatisée de l'embryogenèse.
Deux grands axes structureront le travail.
1.Représentation morphologique par apprentissage non supervisé. L'objectif est de projeter des images 3D d'embryons, acquises à différents stades, dans un espace latent de faible dimension. Cet espace servira de carte morphologique permettant de comparer objectivement les formes embryonnaires, d'identifier les ressemblances et les différences entre trajectoires développementales, et de mettre en évidence des morphologies atypiques. Des réseaux autoencodeurs 3D et des représentations implicites innovantes (NeRF, DeepSDF) seront explorés pour capturer fidèlement la complexité des structures embryonnaires.
2.Segmentation cellulaire et suivi temporel. La dissociation habituelle entre segmentation spatiale et suivi temporel limite aujourd'hui la précision des reconstructions. Le projet proposera une approche intégrée, combinant réseaux convolutionnels 3D épars (sparse CNN), mécanismes d'attention et architectures hybrides CNN-Transformer. Cette stratégie permettra de tirer parti de la continuité spatio-temporelle des cellules, d'améliorer la robustesse de la segmentation et de modéliser les dynamiques cellulaires (divisions, déplacements collectifs, morphogenèse).
Ce travail sera mené sur une base unique d'images 3D d'embryons d'ascidie, déjà collectées et annotées par nos partenaires biologistes. L'ascidie est un organisme modèle dont l'embryogenèse est à la fois rapide, stéréotypée et représentative des chordés, ce qui en fait un système idéal pour développer et valider de nouvelles méthodes.
Au-delà de ses retombées méthodologiques, ce projet se situe à la croisée de l'IA, de la biologie du développement et de l'imagerie biomédicale. Il permettra de :
•proposer une méthodologie robuste pour comparer finement des morphologies embryonnaires complexes,
•mettre au point un réseau neuronal adapté aux défis spécifiques de la microscopie 3D+temps,
•fournir un logiciel dédié à la communauté scientifique pour faciliter l'analyse comparative de données embryonnaires à grande échelle.
En intégrant pleinement les dynamiques spatio-temporelles dans un cadre algorithmique unifié, cette thèse ambitionne d'apporter un changement de paradigme pour l'étude automatisée et quantitative du développement embryonnaire.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Artificial intelligence, and in particular deep learning, is profoundly transforming biomedical image analysis. However, many challenges remain when these methods are applied to complex volumetric datasets, such as 3D+time microscopy images that capture embryo development in real time. These data are massive, heterogeneous, highly imbalanced (large background versus small relevant structures), and encode intricate cellular dynamics. Conventional approaches struggle to extract this information reliably.
This PhD project aims to design new AI methods tailored to this context, in order to better understand morphological variability in embryos and to provide a quantitative, comparative, and automated framework for studying embryogenesis.
The work will be structured around two main axes:
1.Morphological representation through unsupervised learning. The goal is to project 3D embryo images, acquired at different developmental stages, into a low-dimensional latent space. This space will serve as a “morphological map” that allows objective comparison of embryonic forms, highlighting similarities and differences across developmental trajectories, and detecting atypical morphologies. 3D autoencoders and emerging implicit representations (such as Neural Radiance Fields and DeepSDF) will be explored to capture the complexity of embryonic structures beyond the limits of classical grid-based approaches.
2.Automated cell segmentation and temporal tracking. Traditionally, spatial segmentation and temporal tracking are treated as separate tasks, which limits reconstruction accuracy. This project will develop an integrated end-to-end strategy, combining sparse 3D convolutional networks, attention mechanisms, and hybrid CNN-Transformer architectures. Such models will exploit spatio-temporal continuity to improve segmentation robustness, capture cellular dynamics (divisions, collective displacements, morphogenetic events), and ensure temporal coherence across the full developmental sequence.
The research will be carried out on a unique database of 3D images of ascidian embryos, already collected and experimentally annotated by our biology partners. Ascidians are chordate model organisms with rapid and highly stereotyped embryogenesis, making them ideal systems to develop and validate new approaches.
Beyond methodological innovation, this project lies at the intersection of AI, developmental biology, and biomedical imaging. It will:
•establish a robust methodology for fine-grained comparison of complex embryonic morphologies,
•design neural networks adapted to the specific challenges of 3D+time microscopy,
•provide a dedicated software tool to the scientific community for large-scale comparative analysis of embryonic data.
By fully integrating spatio-temporal dynamics into a unified computational framework, this PhD will deliver a paradigm shift in the automated and quantitative study of embryonic morphogenesis.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/11/
Funding category
Funding further details
Financement d'un établissement public Français
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.