French
English
Keywords
Recalage d’images, Deep Learning, géométrie 3D, optimisation globale, IRM cérébrale, surface en 3D
Contexte scientifique
Le recalage d’image est une technique permettant d’aligner des images entre elles. Par example sur la figure 1, elle permet de re-orienter ou de déformer les images de droite pour les replacer dans le système de coordonnées de l’image de gauche. Ce processus est utilisier pour suivre l’évolution d’une maladie, évaluer l’efficacité d’un traitement, et est souvent réalisé comme une des première étapes des pipelines de traitement d’images sur le cerveau. Si replacer globalement un cerveau sur un autre est maintenant une tâche que l’on peut réaliser de manière robuste, la géométrie compliquée des sillons corticaux implique qu’un recalage fin de toute les structures du cerveau entre deux sujets différents reste une tâche délicate. Les outils de recalage basés sur des approches optimisation ou apprentissage reste encore peu robuste, notamment à cause des nombreux minima locaux du problème causée par la répétition de motifs similaires dans l’image.
Objectifs
L’objectif du stage est de proposer une méthode robuste pour le recalage inter-sujet (déformable) d’IRM cérébrales. Différents axes de travail sont envisagés. On pourra par example commencer par générer des transformations réalistes à partir d’images pour lesquelles la segmentation des zones cérébrales est connue (géométrie 3D, optimisation). On pourra aussi utiliser la suite d’outils logiciel [FreeSurfer] pour extraire des charactéristiques cérébrales bien localisé afin de faciliter la recherche de la transformation géométrique. On pourra également se baser sur une méthode de recalage par apprentissage profond [Hachicha-2023] développée en interne permettant de faire du recalage linéaire sans la vérité terrain et sans utiliser de métrique de comparaison des images afin d’éviter les minima locaux. Il faudra notamment étendre la méthode pour pouvoir utiliser des transformations nonlinéaires et 3D.
Données
Plusieurs jeux de données d’imagerie cérébrales publiques impliquant différentes pathologies, protocoles d’acquisition et modalités sont déjà utilisés dans l’équipe et sont disponibles pour le stage.
Profil recherché
Le stage nécéssite de bonne connaissance en mathématiques et en apprentissage. La personne recrutée devra avoir une formation dans un des domaines suivants et de bonnes connaissances dans les deux autres:
• Méthodes d’apprentissage pour les images
• Traitement d’images
• Mathématiques appliquées
Elle devra aussi avoir de solides compétences en développement logiciel et être en mesure d’implémenter
les méthodes proposées (python, pytorch, ...).
Merci d’envoyer vos candidatures avec CV, lettre de motivation, relevés de notes, lettres de recomman-
dation à michael.sdika[at]creatis.insa-lyon.fr.
Références
1. Slim Hachicha, Célia Le, Valentine Wargnier-Dauchelle, Michaël Sdika. Robust Unsupervised Image to Template Registration Without Image Similarity Loss. Medical Image Learning with Limited and Noisy Data, Second International Workshop, MILLanD 2023, Held in Conjunction with MICCAI 2023, Vancouver, Proceedings, Oct 2023, Vancouver, Canada. https://hal.science/hal-04183379v1
2. Boveiri et al, Medical Image Registration Using Deep Neural Networks: A Comprehensive Review, https://arxiv.org/pdf/2002.03401.pdf
3. Finzi et al A Practical Method for Constructing Equivariant Multilayer Perceptrons for Arbitrary Matrix Groups, https://arxiv.org/pdf/2104.09459.pdf
4. Freesurfer https://surfer.nmr.mgh.harvard.edu