Stage M2 - Segmentation et recalage de réseaux vasculaires cérébraux

Contexte

La simulation du flux sanguin cérébral complet reste limitée en raison du coût computationnel élevé des méthodes classiques de mécanique des fluides numérique (CFD). Les Physics-Informed Neural Networks (PINNs) offrent une alternative prometteuse. Pour entraîner les PINNs, deux types d'informations critiques doivent être extraits des images médicales :

  • Géométrie vasculaire cérébrale : obtenue par segmentation des images IRM Time-of-Flight (TOF). Les réseaux extraits doivent refléter fidèlement la structure vasculaire spécifique au patient, être post-traités pour réduire le bruit et les effets de volume partiel, et être enregistrés pour tenir compte de la variabilité anatomique.
  • Profils de vitesse : aux entrées et sorties des vaisseaux segmentés, dérivés de l'IRM de perfusion.

Ces segmentations et profils de vitesse serviront de base pour l'entraînement des PINNs dans le cadre d'un projet collaboratif avec l'équipe du Professeur Makoto Ohta à l'Université de Tohoku, Japon, visant des simulations de flux cérébral spécifiques aux patients. Ces simulations pourraient ultimement guider la prise de décision clinique dans des pathologies vasculaires telles que l'accident vasculaire cérébral ischémique et les anévrismes.

Objectifs du stage

  • Appliquer un modèle deep learning nnU-Net pour segmenter les images IRM TOF.
  • Développer un pipeline de contrôle qualité des segmentations.
  • Post-traiter les segmentations à l'aide d'algorithmes internes développés par un précédent doctorant pour obtenir des géométries prêtes pour la simulation du flux.
  • Enregistrer plusieurs segmentations dans un espace commun.
  • Extraire les profils de vitesse aux entrées et sorties à partir de l'IRM de perfusion pour intégration dans l'entraînement des PINNs.

Environnement de recherche

Ce stage s'inscrit dans le cadre d'un projet collaboratif entre CREATIS et l'Université de Tohoku, Japon. Le stagiaire sera intégré dans une équipe interdisciplinaire composée de chercheurs des deux institutions, travaillant à l'intersection de l'imagerie médicale, de la mécanique des fluides computationnelle et de l'apprentissage automatique.

Ce stage peut déboucher sur un projet de thèse en co-encadrement avec l'Université de Tohoku, offrant une expérience de recherche internationale et une exposition aux applications computationnelles et cliniques de pointe.

Profil du candidat

Le candidat idéal doit démontrer :

  • Une solide expertise en analyse d'images médicales et deep learning, de préférence avec une expérience sur nnU-Net ou des frameworks similaires.
  • Maîtrise de Python et des bibliothèques deep learning telles que PyTorch ou TensorFlow.
  • Intérêt pour la mécanique des fluides computationnelle, l'apprentissage machine basé sur la physique et les applications biomédicales.
  • Autonomie, rigueur et motivation pour la recherche interdisciplinaire à l'interface de l'informatique et des neurosciences.

Informations sur le stage