French
English
Contexte scientifique
Dans le cadre d’une collaboration entre les laboratoire Ampère et CREATIS, nous
developpons un simulateur de chirurgie qui permettra l’apprentissage d’un geste à la fois courant et critique:
la ponction ventriculaire. Pour créer des patients virtuels pour le simulateur, nous devons repositionner
l’IRM d’un sujet quelconque sur l’IRM du sujet utilisé pour créer le crâne physique du simulateur (figure
1). Il faudra donc faire correspondre exactement les crânes des deux sujets tout en préservant l’anatomie du
patient virtuel.
Le recalage d’image est un outil permettant d’aligner des images entre elles. Par example sur la figure
2, elle permet de positionner, d’orienter voire de déformer les cerveaux des trois images de droite pour les
replacer dans le système de coordonnées de l’image de gauche. C’est souvent une étape préliminaire essentielle
pour l’étude de pathologie cérébrale basée sur l’imagerie.
Les outils classique de recalage sont souvent basée sur des approches itérative d’optimisation mathématique.
Ces méthodes donnent généralement de bons résultats mais peuvent parfois échouer. Pour palier à ce manque
de robustesse, de plus en plus de méthodes actuelles se basent sur des approches par pprentissage profond
[Boveiri].
Objectifs
L’objectif du stage est d’abord de de mettre en place et d’entraı̂ner un réseau de neurones
permettant faire le recalage linéaire d’une image de cerveau sur un espace de référence standard. L’objectif
principale sera que l’estimation soit la plus robuste possible mais aussi que le réseau soit léger. On se basera
sur les résultats obtenus lors d’un stage précédent au cours duquel on se restreignait à des transformations
2D.
On devra ensuite faire la correspondance des crânes par un recalage déformable préservant l’anatomie du
patient. On pourra comparer ici les approches classique et par apprentissage.
Données: plusieurs jeux de données d’imagerie cérébrales publiques impliquant différentes pathologies,
protocoles d’acquisition et modalités sont déjà utilisés dans l’équipe et seront utilisés pour le stage. Une
solide procédure d’augmentation de données permettra d’améliorer encore la robustesse de notre méthode.
Profil du Candidat
Le candidat recruté devra avoir une formation dans un des domaines suivants et de
bonnes connaissances dans les deux autres:
• Deep learning
• Traitement d’images
• Mathématiques appliquées
Il devra aussi avoir de solides compétences en développement logiciel en pytorch et être en mesure
d’implémenter les méthodes proposées.
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. Boveiri et al, Medical Image Registration Using Deep Neural Networks: A Comprehensive Review,
https://arxiv.org/pdf/2002.03401.pdf
2. Finzi et al A Practical Method for Constructing Equivariant Multilayer Perceptrons for Arbitrary Matrix
Groups, https://arxiv.org/pdf/2104.09459.pdf