Post-doctorant - détection d’endormissements dans des séquences d’irm fonctionnelles en utilisant des réseaux de neurones définis sur la variété des matrices définies positives (h/f)

RESPONSABILITÉS :

Un contrat de post-doctorant H/F, d'une durée de 24 mois est à pourvoir au sein du laboratoire GREYC. Il prend place dans le cadre de l'ANR DeepRest dont la thématique principale est expliquée ci-après :
Aujourd'hui, l'IRM fonctionnelle de repos a le potentiel de devenir un outil indispensable pour le diagnostic précoce de certaines pathologies cérébrales. Cependant, la précision de cet outil reste limitée par plusieurs facteurs, dont la somnolence. Nous avons récemment démontré qu'elle pouvait profondément affecter la mesure de la connectivité cérébrale et, pire encore, que l'utilisation de différentes techniques de correction existantes conduisait à des interprétations cognitives divergentes. Malheureusement, l'IRMf de repos favorise la somnolence, ce qui rend difficile son utilisation dans le cadre de la médecine personnalisée.
Dans la continuité de nos travaux, le projet DeepRest vise à développer un nouvel outil d'imagerie cérébrale basé sur une approche d'apprentissage automatique pour la détection de la somnolence lors de ces examens médicaux, afin d'améliorer leur sensibilité et leur spécificité. Cet outil, conçu en collaboration, sera évalué sur une large cohorte de patients et sera finalement intégré à la solution SWOMed développée par le partenaire industriel.
A 24-month post-doctoral position (M/F) is available at the GREYC laboratory. This position is part of the ANR DeepRest project, whose main theme is described below:
Today, resting-state functional MRI has the potential to become an indispensable tool for the early diagnosis of certain brain pathologies. However, the accuracy of this tool is still limited by the existence of a few factors as drowsiness. Thus, we have recently demonstrated that it can profoundly affect the measurement of brain connectivity and, worse still, that the use of different existing correction techniques leads to different cognitive messages. Unfortunately, rs-fMRI helps drowsiness along, making it difficult to use this test for personalized medicine. Following on from our work, the DeepRest project aims to develop a new brain imaging tool based on a machine learning approach for the detection of drowsiness during these medical examinations, to improve their sensitivity and specificity. This tool, designed jointly, will be evaluated on a large cohort of patients (notably for medical follow-up purposes) and will eventually be integrated into the SWOMed solution developed by the industrial partner.

PROFIL RECHERCHÉ :

Profil :
Un niveau doctorat et de fortes compétences en programmation/ apprentissage machine sont attendues. Une première expérience en Imagerie médicale serait également appréciée.
Details du poste :
Le poste est financé pour une durée de 24 mois et pourra débuter le 1er avril 2026 sur le projet ANR DEEPREST géré à l'ENSICAEN. Le candidat retenu mènera ses recherches au sein du laboratoire GREYC (ENSICAEN – Université de Caen Normandie – CNRS).
Le projet s'appuiera sur un travail préliminaire consistant à prédire les niveaux d'endormissement à partir de séquences EEG. Chaque époque à analyser est décrite par une séquence de matrices définies positives et le réseau est constitué de deux transformeurs : Un premier transformeur synthétise l'ensemble des matrices décrivant une époque en une seule matrice tandis que le second transformeur agrège les informations d'époques voisines pour prendre la décision finale. L'ensemble du réseau effectue ses calculs sur la variété des matrices définies positives. L'objectif est d'adapter ce réseau aux IRM fonctionnelles. Cela soulève plusieurs défis :
• Le taux d'échantillonnage va drastiquement baisser puisque l'on peut espérer acquérir entre 30 et 80 IRM par minute. Alors que les signaux EEG que nous utilisions précédemment étaient définis à 256Hz.
• Le second défi consiste à accélérer les temps de calculs. Pour cela nous comptons supprimer une étape de notre réseau calculant la SVD de chaque matrice. Ce calcul ne sert qu'à calculer le logarithme des matrices que l'on veut à présent calculer sans passer par la SVD.
• Le dernier défi consistera à explorer différentes métriques sur la variété des matrices SDP.
Références :
• Yamin, A. et al. Comparison Of Brain Connectomes Using Geodesic Distance On Manifold: A Twins Study. in 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019) 1797–1800 (IEEE, Venice, Italy, 2019). doi:10.1109/ISBI.2019.8759407.
• Seraphim, M. et al. Temporal Sequences of EEG Covariance Matrices for Automated Sleep Stage Scoring with Attention Mechanisms. in Computer Analysis of Images and Patterns (eds. Tsapatsoulis, N. et al.) vol. 14185 67–76 (Springer Nature Switzerland, Cham, 2023).
• Seraphim, M., Lechervy, A., Yger, F., Brun, L. & Etard, O. Structure-Preserving Transformers for Sequences of SPD Matrices. in EUSIPCO 2024 (Lyon, 2024).
Informations complémentaires :
→ Date limite de candidature : 6 mars 2026
→ Lieu de travail : GREYC 6 Bd Maré...