FLI
In this section, you will find internships, thesis, post-doctorates, fixed-term and permanent contract vacancies in the network’s partner laboratories.
Liste des annonces
Research engineer Statistical analysis of longitudinal medical data
You will work in the context of the project REWIND (pRecision mEdecine WIth longitudinal Data), a multicentric project (Paris, Bordeaux, Lyon, Grenoble, Nice) granted via the “Investissement d’avenir” PEPR Santé Numérique. The project will focus on the development of new mathematical and statistical approaches for the analysis of multimodal multiscale longitudinal data.The project will allow the development of a new generation of decision support systems, which will help clinicians at the bedside to make more informed decisions for the patient. They will contribute to the development of precision medicine in several key areas.
You will be in charge of the:
- development of new features (implementation of new models, algorithms, metrics, visualizations),
-software maintenance,
-user support and animation of the community.
In addition, you will be presenting the software at international scientific conferences and other events, and you will contribute to ambitious medical studies, by using Leaspy on large databases of patients, contributing to the interpretation of results and providing assistance to users.
Data Scientist R&D : Analyse automatique d’images médicales pour l’aide au suivi oncologique
Vous serez responsable de la recherche, du développement, de
l'implémentation et de la maintenance des modèles de machine learning, ainsi que de leur intégration
dans les produits logiciels de Guerbet. Vous travaillerez en étroite collaboration avec les radiologues et les équipes cliniques pour comprendre les besoins spécifiques du domaine médical, afin de développer des solutions pertinentes et efficaces.
Responsabilités :
• Innover, concevoir et optimiser les systèmes de traitement de données et les modèles
d'intelligence artificielle.
• Mener des recherches et des développements en machine learning.
• Implémenter et maintenir les modèles de machine learning.
• Intégrer les modèles de machine learning dans les produits logiciels.
• Collaborer étroitement avec les radiologues et les équipes cliniques.
• Comprendre les besoins spécifiques du domaine médical pour développer des solutions
pertinentes et efficaces.
Ingénieur imagerie médicale : Analyse automatique d’images médicales pour l’aide au suivi oncologique
Vous serez responsable de la recherche, du développement, de l'implémentation et de la maintenance des modèles de machine learning, ainsi que de leur intégration dans les produits logiciels de Guerbet. Vous travaillerez en étroite collaboration avec les radiologues et les équipes cliniques pour comprendre les besoins spécifiques du domaine médical, afin de développer des solutions pertinentes et efficaces.
Responsabilités :
• Innover, concevoir et optimiser les systèmes de traitement de données et les modèles
d'intelligence artificielle.
• Mener des recherches et des développements en machine learning.
• Implémenter et maintenir les modèles de machine learning.
• Intégrer les modèles de machine learning dans les produits logiciels.
• Collaborer étroitement avec les radiologues et les équipes cliniques.
• Comprendre les besoins spécifiques du domaine médical pour développer des solutions
pertinentes et efficaces.
Director/senior – MRI scientist at Lilly, INdianapolis, USA
The departement is looking for a MR image analysis scientist at a Director / Senior Director level with a proven experience to both lead cross-functional projects and conduct actual image analyses.
An expertise in analyzing and interpreting various MRI sequences, including diffusion and functional ones, is expected.
More at https://careers.lilly.com/us/en/job/R-64205/Director-Senior-Director-MRI-Scientist
PhD position on geometric deep learning applied to graphs of sulcal pits
La thèse proposée porte sur " geometric deep learning applied to graphs of sulcal pits (in adults).
Toutes les informations sont disponibles sur le lien : https://amubox.univ-amu.fr/s/jTqzqkMQGmL5tDg
CDD Ingenieur Analyse IRM de diffusion IRM chez le foetus
Toutes les informations sur le poste et les missions sont à retrouver sous le lien : http://url.univ-amu.fr/dwifet
Doctorat Caracterisation Developpement du cortex chez le foetus
Le sujet proposé est le suivant : " characterization of fetal cortical development in humans and baboons"
Toutes les informations à l'adresse http://url.univ-amu.fr/devfet
Assistant.e Ingenieur Experimentation Animale SPCCT
La tomodensitométrie (TDM) à rayons X est le pilier de l'imagerie pulmonaire en raison de sa résolution spatiale plus élevée, de sa commodité, de sa disponibilité et de son temps d'acquisition plus rapide que d'autres méthodes d'imagerie telles que l'imagerie par résonance magnétique et l'imagerie nucléaire. Cependant, elle ne fournit qu'une caractérisation morphologique, qui n'est pas totalement adaptée aux maladies pulmonaires qui sont une combinaison complexe de dysfonctionnements respiratoires, vasculaires et inflammatoires. Leur diagnostic nécessite une analyse à la fois morphologique et fonctionnelle de la ventilation, de la perfusion et des biomarqueurs moléculaires. C'est pourquoi les soins standard reposent sur un bilan diagnostique multimodal impliquant la scintigraphie, la tomographie par émission de positrons et la biopsie tissulaire. Cette méthode présente trois inconvénients majeurs : elle n'est pas assez précise ou est invasive, et dans tous les cas elle prend du temps tout en aggravant le pronostique du patient.
En combinant l'imagerie médicale, la pneumologie, la chimie et la physique, KOLOR SPCCT Imaging fera le lien entre l'imagerie morphologique et l'imagerie fonctionnelle en une seule respiration.
Pour atteindre cet objectif, il fournira
1. Imagerie K-Edge des poumons en couleur : développement d'un outil d'imagerie dédié à haute sensibilité
2. Diagnostic des maladies pulmonaires : fournir une imagerie de ventilation et de perfusion en une seule inspiration chez des animaux sains et des modèles animaux.
3. Prédiction des maladies pulmonaires : surveillance en une seule respiration de la charge inflammatoire moléculaire dans des modèles animaux.
L'imagerie KOLOR SPCCT fournira des connaissances sans précédent sur la ventilation, la perfusion, la réponse inflammatoire moléculaire et leur interaction. Elle développera l'imagerie couleur K-edge pour fournir une imagerie haute résolution spécifique et quantitative avec l'utilisation de traceurs non spécifiques et spécifiques sur des applications pulmonaires clés dans des modèles animaux : l'embolie pulmonaire, le cancer et la fibrose. Il apportera un changement de paradigme pour le diagnostic et le pronostic des maladies pulmonaires, permettant un diagnostic plus précoce et plus précis des maladies pulmonaires pour une plus grande chance de survie des patients.
Résumé du poste :
Participer à la réalisation d’expérimentations in vivo. Assurer les activités de maintenance des animaux. Faire respecter la réglementation en vigueur.
ACTIVITES PRINCIPALES
Doctorat IA et imagerie medicale (Bordeaux) 2024-2027
L'imagerie par résonance magnétique (IRM) joue un rôle crucial dans la détection de pathologies, l'étude de l'organisation cérébrale et la recherche clinique. Chaque jour, une grande quantité de données est produite et ce nombre ne cesse d’augmenter, empêchant l'utilisation d'approches manuelles afin de les analyser. Ainsi, le développement de
techniques fiables, robustes et rapides pour la détection de pathologies neurologiques
devient un domaine important en imagerie médicale. Dans ce projet, l'objectif est de
développer une nouvelle génération de méthodes en Intelligence Artificielle (IA) pouvant
détecter automatiquement des maladies neurologiques afin d’aider le clinicien dans son diagnostic différentiel (cf. Figure 1).
Figure 1 : Cartes de grading sur différents groupes de population [3].
(CN=Cognitive Normal, s/pMCI= Stable/Progressive Mild Cognitive Impairment, AD =Alzheimer’s Disease).
OBJECTIFS
L’objectif principal de cette thèse est de réussir à lever des verrous méthodologiques
en IA qui empêchent la prédiction efficace de pathologies sur des images IRM du cerveau
par des méthodes basées sur l’apprentissage profond. Cette thèse pourra se dérouler suivant plusieurs étapes et objectifs intermédiaires :
1) Le premier objectif sera de développer de nouvelles méthodes de détection de pathologies en s'attaquant aux limites actuelles de l’apprentissage profond (AP) en imagerie médicale. L’AP est un domaine en plein essor en vision par ordinateur grâce à ses nombreux succès. Cependant, les résultats obtenus par l’AP pour l’aide au diagnostic précoce de maladies neurologiques sont encore assez limités [1]. Dans le cadre de ce projet, le ou la candidat.e proposera donc une nouvelle génération de méthodes capable de lever ces limites pour l’aide au pronostic. En effet, la complexité du problème et le peu de données d’entraînement disponibles mettent en défaut les méthodes d’AP [2].
Afin de résoudre ce problème, nous avons récemment développé des méthodes
reposant sur une assemblée d’intelligences artificielles [3], et sur des transfomers [4], appliquées à des images IRM sous la forme de volumes 3D. Les premiers résultats obtenus montrent une amélioration de la qualité de classification comparée aux méthodes de l’état de l’art. De nombreuses questions restent ouvertes dans cette nouvelle voie de recherche très prometteuse. Quelle est l’organisation optimale de ce grand nombre d’IA ? Comment les faire communiquer efficacement ? Comment améliorer leur apprentissage en utilisant des données non labellisées par apprentissage semi-supervisé ? Le ou la candidat.e étudiera ces différentes questions et proposera des solutions adaptées au problème traité.
2) Le second objectif portera sur le développement d’outils spécifiques pour l’étude des démences: la démence fronto-temporale (FTD), la démence à corps de Lewy (DCL) et la maladie d’Alzheimer (MA). Ces deux maladies représentent plus de 50 millions de personnes atteintes dans le monde. Juste pour la MA, le coût mondial associé est estimé à 605 milliards de dollars. Le ou la candidat.e travaillera étroitement avec nos collaborateurs du CHU de Bordeaux et de l’institut des maladies neurodégénératives. Il aura donc accès à des experts dans ces pathologies. En développant des méthodes pour un diagnostic plus précoces et plus précis, ce projet permettra une meilleure prise en charge du patient, un meilleur traitement et donc une réduction des coûts associés. Ainsi, notre projet pourrait jouer un rôle majeur dans la transition vers la médecine P4 (prédictive, personnalisée, préventive et participative) : la médecine proactive de la prochaine décennie.
M2 Internship + PhD thesis IRAMIS Lab
case aims at assessing a learning procedure. It is useful
for instance to compare models and to be able to tell if one approach is significantly better than another one or if the difference is due to chance. How to properly perform such statistical assessment is still a matter of active research. Indeed, one needs to account for multiple sources of variance, not only coming from the testing set but also from the training set, from hyperparameter choices, from random seeds… How to do this remains an open problem even though some interesting directions have been proposed (Bouthillier et al, 2021).
Therefore, this project aims at studying statistical methods for assessing learning procedures for neuroimaging data analysis. It will include a back and forth between experimental aspects and theoretical aspects (new experimental results potentially leading to modification of statistical procedures which would in turn lead to new experiments).
To that purpose, the experiments will rely on ClinicaDL (https://clinicadl.readthedocs.io/), a software platform for reproducible deep learning in neuroimaging.
More specifically, the project will include the following aspects:
- Theoretical analysis of statistical approaches for assessing learning procedures
- Overview of existing practices and litterature
- Performing experiments on standard benchmark data
- Performing various experiments with ClinicaDL across different neuroimaging tasks (classification, regression, segmentation…) and various datasets (starting with datasets on Alzheimer’s disease and then moving to include datasets with other pathologies in order to: i) measure the different sources of variances of learning procedures and see if the conclusions made for general ML benchmarks hold in our context; ii) assessing if the existing proposed statistical approaches are adapted across our tasks of interest (to that purpose, we will compare them to more comprehensive but computationally heavy
procedures)
- If needed, enrich ClinicaDL with new models and datasets if the ones currently available are not sufficient
- Based on experimental results, propose revised statistical procedures that are adapted depending on the context (task, number of samples, type of network, dataset…)
- Implement the statistical procedures in ClinicaDL
This is an ambitious project. Only a fraction of the aforementioned work can be performed within the timeframe of an internship. This is why we propose to potentially continue the internship by a PhD.
- O. Colliot, E. Thibeau-Sutre, Brianceau C, and N. Burgos, “Reproducibility in medical image computing: what is it and how is it assessed?,” 2024. https://openreview.net/forum?id=3fIXW9mFfn
- X. Bouthillier, P. Delaunay, M. Bronzi, A. Trofimov, B. Nichyporuk, J. Szeto, N. Mohammadi Sepahvand, E.
Raff, K. Madan, V. Voleti et al., “Accounting for variance in machine learning benchmarks,” Proceedings of
Machine Learning and Systems, vol. 3, pp. 747–769, 2021. https://arxiv.org/abs/2103.03098
- G. Varoquaux and O. Colliot, “Evaluating machine learning models and their diagnostic value,” To appear in Machine Learning for Brain Disorders, Springer, HAL preprint, vol. hal-03682454, 2023 https://hal.archivesouvertes. fr/hal-03682454