Apport de la simulation dans l'apprentissage profond : application à la prédiction de la lésion ischémique finale dans le cadre de l'accident vasculaire cérébral (AVC)
Recrutement: 
Recrutement en cours/passé: 
Recrutement en cours
Periode: 
hiver/printemps-ete 2018
Contact: 
Carole Frindel (carole.frindel@creatis.insa-lyon.fr)

Contexte: De nombreux groupes de recherche à travers le monde se concentrent sur le sujet difficile deprédire évolution des lésions d'AVC ischémiques. Leur travail a permis de mieux comprendre lesmécanismes sous-jacents impliqués pendant l'AVC, mais cela reste une question de recherche ouverte[Rekik2012]. En effet, il existe une grande variabilité dans l'évolution des lésions d'AVC chez les patientsque les modèles actuels de prédiction peinent à décrire, ce qui suggère une interaction complexe entreplusieurs cofacteurs. Récemment, certaines initiatives ont émergé afin de développer de meilleursmodèles de prédiction utilisant des jeux de données normalisés. En particulier, le challenge « IschemicStroke Lesion Segmentation» (ISLES), qui se tient depuis trois années consécutives depuis 2015 à laconférence internationale MICCAI. Ce défi fournit chaque année des ensembles de données IRM cliniquesmultimodales normalisées d'environ 40 cerveaux avec lésions segmentées [Maier2017]. Dans cecontexte, il y a un intérêt croissant pour l'utilisation des réseaux de neurones convolutionnels (CNN), caril s'agit d'un système flexible, axé sur les données et capable de capturer des relations non linéaires entreplusieurs variables de prédiction.

Objectifs:  Le stage de Master proposé vise à faire progresser l'utilisation des CNN dans le cadre de laprédiction de la lésion ischémique finale d'AVC. En effet, l'utilisation des CNN dans le contexte del'imagerie médicale est difficile en raison de la mauvaise qualité des bases de données (imagescorrompues ou manquantes), de la quantité insuffisante de données étiquetées et du déséquilibre entreles classes de tissus à prédire (tissus sains versus lésés).

Méthodologie: En ce qui concerne le verrou de la mauvaise qualité des bases de données, l'approchetraditionnelle utilise l'apprentissage par transfert, c'est-à-dire que des modèles pré-formés sur unproblème à grande échelle sont transférés sur un nouveau jeu de données. Pour ce faire, les deux jeux dedonnées –ancien et nouveau– doivent être liés. Cependant, le terme «lié» n'est actuellement pas biendéfini [Shao2015]. Dans le cadre de ce stage Master, nous prévoyons d'aller au-delà de ce paradigmelimité et proposons d'utiliser un simulateur d'images qui offrira la possibilité de générer des jeux dedonnées illimités pour les CNN en simulant automatiquement des images de vérité terrain annotées et lesimages « acquises » simulées associées. Notre équipe à CREATIS a récemment développé un simulateurd'IRM de perfusion qui modélise statistiquement les propriétés biologiques et physiques en IRM deperfusion acquises chez des patients atteints d'AVC aigu : il se distingue notamment de l'état de l'art parun nouveau niveau de réalisme sur la topographie tissulaire [Giacalone2016]. Pour ce faire, il intègre lavariabilité de la forme de la lésion et de l'hémodynamique dans les tissus observés sur de vrais patientsdans le cadre de la base de données européenne I-KNOW [Frindel2015].

Compétences développées: Traitement numérique de signaux biomédicaux, Machine learning, Contexte clinique de l'AVC.

Compétences attendues : Connaissances de base en traitement du signal et des images,Programmation sous différents environnement (Python,Matlab, ...), Analyses statistiques.

Gratification: Environ 500 euros net par mois.

Durée: 4 à 6 mois

Region Auvergne Rhone Alpes
CNRS

Dans le cadre des Contrats de Plan Etat-Région 2015-2020, la région Auvergne-Rhône-Alpes soutient l’acquisition d’un système d’imagerie et de spectroscopie de Résonance Magnétique à champ magnétique élevé de 11,7T pour contribuer à la recherche et l’innovation. Cet équipement est cofinancé par la Délégation Régionale à la Recherche et à la Technologie et le Centre National de la Recherche Scientifique. Cet équipement sera acquis par l’INSA de Lyon et opérée par la plateforme PILoT du laboratoire CREATIS située sur le campus LyonTech-La Doua pour permettre d’accroître les capacités d'imagerie en recherche fondamentale et préclinique de l’Université de Lyon et de la région Auvergne-Rhône-Alpes.