French
English
Titre : Recalage et fusion d’images IRM de diffusion par une approche d'apprentissage en profondeur pour une application en chirurgie de la moelle épinière
Équipes d’accueil : Le stage se déroulera au sein du Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé (CREATIS) à Villeurbanne en partenariat avec les Hospices Civils de Lyon (HCL). Le CREATIS comprend plusieurs équipes de recherche, dont une (celle dans lequel s’inscrit le stage) est dédiée à l'identification et la résolution des problèmes méthodologiques liés au traitement d’images médicales. Cette équipe est principalement amont et dédiée au développement de modèles et de traitements avancés. Ces problèmes sont identifiés, définis et résolus en collaboration avec des cliniciens associés à CREATIS. Le stagiaire sera encadré dans le cadre de cette équipe par Carole Frindel et côté HCL par le neurochirurgien de la moelle épinière, Corentin Dauléac.
Objectif du stage : L’anatomie des faisceaux de substance blanche de la moelle épinière n’a jamais été décrite in-vivo chez l’homme. Les progrès de l’imagerie médicale ont récemment permis, via l’IRM de diffusion, la mise en évidence des faisceaux de la substance blanche cérébrale [1]. Cependant, à ce jour, aucune étude utilisant l’IRM de diffusion n’a pu différencier les différents faisceaux à l’étage de la moelle spinale sur sa totalité. Or ce verrou méthodologique est crucial pour pouvoir construire un atlas des faisceaux de substance blanche dans la moelle spinale, avec des challenges bien précis à résoudre [2].
L'objectif de ce projet est de développer un cadre méthodologique pour effectuer le suivi des fibres de la substance blanche du cerveau et sur toute la totalité de la moelle épinière sur des images IRM à l'aide de deep learning. Plus précisément, le/la stagiaire travaillera sur une base de données d’environ 50 patients. L’objectif sera de mettre en place une méthode de deep learning pour recaler et fusion les boîtes d’acquisition cérébrale, cervicale et thoracique inspirée de [3] qui a été spécifiquement développée pour le cerveau uniquement. Dans le cadre du recalage en IRM de diffusion, l'objectif est d'aligner spatialement les structures anatomiques du cerveau tout en veillant à ce que les orientations locales des fibres restent cohérentes avec l'anatomie sous-jacente des fibres de la substance blanche. L’architecture deep learning devra donc non seulement exploiter les informations du cerveau entier, mais également les informations d'orientation des fibres spécifiques des grandes voies neuronales. Ceci se fera sur la base de différents réseaux (chaque travaillant sur un type d’information) qui apprendront chacune une carte de déformation. Ces cartes de déformation devront ensuite être fusionnées et appliquées aux données originales sur la base d’autres sous-réseaux.
Compétences pré-requises : Très bonnes compétences en programmation sous Python. Avoir validé un (ou plusieurs) modules de Machine Learning. Bon niveau d'anglais.
Compétences souhaitables : Une expérience pratique en traitement d’image et/ou en deep learning sera fortement apprécié. Un attrait pour les Neurosciences est souhaitable.
Profil recherché : Un(e) stagiaire pour une durée de 6 mois, en master 2 dans le domaine des mathématiques appliquées, de la bioinformatique ou du traitement des images médicales – Motivé - Autonome – Souhaitant travailler sur une application médicale en Deep Learning, et potentiellement continuer en thèse dans le domaine.
Références :
1. Maier-Hein KH, Neher PF, Houde JC, et al. The challenge of mapping the human connectome based on diffusion tractography. Nat Commun. 2017;8(1):1349. doi:10.1038/s41467-017-01285-x
2. Dauleac C, Frindel C, Mertens P, Jacquesson T, Cotton F. Overcoming challenges of the human spinal cord tractography for routine clinical use: a review. Neuroradiology. Published online May 4, 2020. doi:10.1007/s00234-020-02442-8
3. Zhang, Fan, William M. Wells, and Lauren J. O’Donnell. "Deep diffusion MRI registration (DDMReg): a deep learning method for diffusion MRI registration." IEEE Transactions on Medical Imaging 41.6 (2021): 1454-1467.