Stage h/f - évaluation automatisée de la qualité des irm dans les entrepôts de données de santé

Vos missions en quelques mots Poste : Le sujet Ces dernières années, de très grands entrepôts de données de santé (EDS) ont été créés, contenant les données médicales de millions de patients. L'EDS de l'AP-HP (Assistance Publique-Hôpitaux de Paris) rassemble les données d'imagerie médicale de nombreux hôpitaux de la région parisienne. Cette ressource offre une formidable opportunité de former et de tester des modèles d'apprentissage automatique efficaces sur de grandes cohortes cliniques pour diverses tâches de neuroimagerie, allant des contrôles de routine à l'étude de pathologies rares. Contrairement aux ensembles de données de recherche, où les protocoles d'acquisition sont bien standardisés, la nature et la qualité des images des EDS sont très hétérogènes. Tout d'abord, de nombreuses IRM sont inutilisables car elles sont corrompues par divers artefacts (bruit, mouvement, mauvais contraste des tissus). Ensuite, leurs métadonnées sont souvent inexactes, ce qui signifie que la récupération automatique des données sur la base de certains critères (séquence, résolution, pathologie) n'est pas fiable. Il est donc essentiel de détecter ces effets directement à partir des images elles-mêmes. Cependant, le contrôle visuel par des évaluateurs humains est impossible en raison du volume important d'images. Il est donc nécessaire de disposer d'outils automatiques capables d'effectuer de manière fiable le contrôle qualité des images issues du soin courant et d'en extraire des informations. L’équipe ARAMIS a développé un modèle d'apprentissage profond permettant de vérifier automatiquement la qualité des IRM pondérées en T1 et ainsi de sélectionner les données pouvant être utilisées pour entraîner des modèles d'apprentissage profond basés sur la génération d'artefacts synthétiques [1]. Récemment, nous avons proposé une généralisation de cet outil à une nouvelle séquence d'IRM, la FLAIR, basée sur des techniques d'adaptation de domaine [2]. Le projet Ce projet consiste à développer un nouvel outil pour le contrôle qualité automatique et la recherche d'informations à partir d'images issues d'IRM. Dans la continuité de nos travaux précédents [1], nous proposons ici de nous appuyer sur des stratégies de simulation afin de réduire le besoin de vérités terrain manuelles pour la présence/l'intensité des artefacts. De plus, au lieu d'adapter notre réseau d'apprentissage profond de contrôle qualité à plusieurs types d'IRM (c'est-à-dire à plusieurs domaines), nous proposons ici d'adopter une approche de randomisation des domaines, dont SynthSeg [3] est le meilleur exemple. Dans ce paradigme, des modèles génératifs paramétriques sont utilisés pour synthétiser des images d'aspect extrêmement variable, qui sont ensuite utilisées pour entraîner un système d'IA indépendant du domaine. Une revue de la littérature sera nécessaire pour identifier (a) les techniques de randomisation de domaine de pointe [4] basées sur des outils d'apprentissage Voir plus sur le site emploi.cnrs.fr Profil recherché Profil echerché : - Master ou diplôme d'ingénieur en cours avec un profil en informatique, analyse d'images et/ou mathématiques appliquées. - Fort intérêt pour les applications médicales. - Connaissance du deep learning. - Connaissance du traitement d'images et de l'imagerie médicale. - Bonnes compétences en programmation Python. - Bonnes compétences rédactionnelles. - Bonnes aptitudes relationnelles et en communication pour interagir avec des professionnels issus de divers horizons. Conditions Particulières : Niveau d'études minimum requis Niveau Niveau 7 Master/diplômes équivalents Spécialisation Sciences naturelles (biologie-géologie) Langues Français Seuil