French
English
Contexte :
La chirurgie des gliomes vise à maximiser la résection tumorale tout en préservant les tissus cérébraux sains. Dans ce contexte, le laboratoire CREATIS développe des approches de spectroscopie optique combinant fluorescence, réflectance diffuse et apprentissage automatique pour caractériser le tissu cérébral et assister le chirurgien.
Cependant, la fluorescence mesurée dans les tissus biologiques est fortement influencée par leurs propriétés d’absorption et de diffusion, de sorte qu’elle peut différer sensiblement de la fluorescence intrinsèque liée aux fluorophores présents dans le tissu [2,3]. En particulier, l’absorption par l’oxy- et la désoxyhémoglobine peut modifier la forme et l’intensité des spectres mesurés et masquer certaines signatures spectrales d’intérêt [4]. Plusieurs approches ont ainsi été proposées pour corriger ces effets d’atténuation et permettre une meilleure estimation de la fluorescence intrinsèque [1–4].
Missions :
Le ou la stagiaire aura pour objectif de développer une brique de correction des spectres de fluorescence, destinée à être intégrée à la chaîne de prétraitement existante.
Le stage comprendra :
• État de l’art des méthodes de correction des effets d’absorption et de diffusion sur la fluorescence tissulaire, notamment liés à l’oxy- et la désoxyhémoglobine ;
• Proposition et implémentation d’une méthode de correction adaptée aux données expérimentales du laboratoire ;
• Validation quantitative et qualitative de la correction, sur données simulées et/ou expérimentales, et étude de son impact sur les analyses ultérieures ;
• Intégration de la méthode sous forme d’une brique logicielle Python documentée, testée et réutilisable dans la chaîne de prétraitement.
Le choix méthodologique sera volontairement ouvert et fera partie du travail de recherche. Plusieurs approches pourront être explorées : méthodes analytiques, exploitation conjointe de la fluorescence et de la réflectance diffuse, simulations Monte Carlo, apprentissage automatique ou Deep Learning, PINNs, ou approches hybrides combinant modèles physiques et apprentissage.
Profil du candidat recherché :
Master 2 ou dernière année d’école d’ingénieur en traitement du signal, informatique/IA, physique, photonique, ingénierie biomédicale ou domaine proche.
Une bonne maîtrise de Python est attendue. Des connaissances en optique, simulation numérique, traitement du signal ou apprentissage automatique seront appréciées.
Ce stage s’adresse particulièrement à un profil intéressé par un travail à l’interface entre modélisation physique, intelligence artificielle et applications biomédicales.
Candidature :
Veuillez envoyer un CV et une lettre de candidature, dans laquelle vous détaillerez les expériences antérieures pertinentes, à hermine.quardon@creatis.insa-lyon.fr, cedric.ray-garreau@univ-lyon1.fr et arthur.gautheron@creatis.insa-lyon.fr
Références bibliographiques :
[1] Bradley RS, Thorniley MS. A review of attenuation correction techniques for tissue fluorescence. Journal of the Royal Society Interface. 2006. doi: 10.1098/rsif.2005.0066
[2] Müller MG, Georgakoudi I, Zhang Q, Wu J, Feld MS. Intrinsic fluorescence spectroscopy in turbid media: disentangling effects of scattering and absorption. Applied Optics. 2001. doi: 10.1364/AO.40.004633
[3] Gardner CM, Jacques SL, Welch AJ. Fluorescence spectroscopy of tissue: recovery of intrinsic fluorescence from measured fluorescence. Applied Optics. 1996. doi: 10.1364/AO.35.001780
[4] Le VND, Patterson MS, Farrell TJ, Hayward JE, Fang Q. Experimental recovery of intrinsic fluorescence and fluorophore concentration in the presence of hemoglobin: spectral effect of scattering and absorption on fluorescence. Journal of Biomedical Optics. 2015. doi: 10.1117/1.JBO.20.12.127003