Offre de stage : Convolutional Neural Networks for the Segmentation of Time-Lapse Microscopy Images of Bio-Artificial Capsules

Sujet : Convolutional Neural Networks for the Segmentation of Time-Lapse Microscopy Images of Bio-Artificial Capsules

Laboratoire/équipe : UMR CNRS 7338 Bio­mé­canique et Bio­ingénierie / Équipe de recherche : Inter­ac­tions flu­ides struc­tures biologiques (IFSB)

Mots clés : con­vo­lu­tion­al neur­al net­works, bio-arti­fi­cial cap­sules, dig­i­tal image seg­men­ta­tion, time-lapse microscopy, machine learn­ing, com­put­er vision

En vision assistée par ordi­na­teur, la seg­men­ta­tion d’im­ages est le proces­sus d’é­ti­que­tage des pix­els pour localis­er les dif­férents objets con­tenus dans les images numériques. Une des prin­ci­pales appli­ca­tions con­cerne l’analyse d’im­ages bio­médi­cales afin d’i­den­ti­fi­er des struc­tures telles que des organes, des tis­sus, des vais­seaux, voire des cel­lules indi­vidu­elles et leurs organ­ites.
Pour ce stage, l’objet d’étude seront les cap­sules bio-arti­fi­cielles, des dis­posi­tifs arti­fi­ciels con­sti­tués de gout­telettes de liq­uide pro­tégées par une mem­brane hyper­élas­tique, conçues dans le cadre de la recherche bio­médi­cale pour le développe­ment de nou­velles tech­niques thérapeu­tiques basées sur l’op­ti­mi­sa­tion de l’ad­min­is­tra­tion de médica­ments. Les cap­sules sont observées au micro­scope alors qu’elles s’é­coulent dans des canaux microflu­idiques.
Con­cer­nant les tech­niques de seg­men­ta­tion plusieurs grandes familles coex­is­tent, mais récem­ment, les tech­niques clas­siques d’ap­pren­tis­sage automa­tique ont sou­vent été sup­plan­tées par les réseaux de neu­rones con­vo­lu­tifs, tels que le réseau U‑net et ses vari­antes.
Dans ce cadre, des travaux prélim­i­naires, menés en col­lab­o­ra­tion avec le lab­o­ra­toire CRIStAL de Lille, ont per­mis de tester la fais­abil­ité de la seg­men­ta­tion des cap­sules avec un réseau U‑Net clas­sique. Les résul­tats obtenus, bien que promet­teurs pour des images de bonne qual­ité, n’ont pas abouti pour le cas d’images de qual­ité plus médiocre (rap­port sig­nal sur bruit insuff­isant, con­tours des cap­sules très peu con­trastés).
L’ob­jec­tif du stage est de con­cevoir une chaine de traite­ments d’im­ages basée sur les méth­odes d’apprentissage pro­fond, notam­ment les réseaux de neu­rones con­vo­lu­tifs, capa­bles de fournir une seg­men­ta­tion pré­cise des images micro­scopiques de cap­sules bio-arti­fi­cielles. Des étapes de pré­pa­ra­tion des don­nées (nor­mal­i­sa­tion, réso­lu­tion spa­tiale, pré-traite­ments pour amélior­er le rap­port sig­nal sur bruit) et de val­i­da­tion devront être étudiées afin d’améliorer la qual­ité glob­ale de la seg­men­ta­tion obtenue.
Le stage sera local­isé au lab­o­ra­toire BMBI de l’U­ni­ver­sité de Tech­nolo­gie de Com­piègne, qui fourni­ra les don­nées de micro­scopie et analy­sera la déforma­bil­ité des cap­sules en fonc­tion des résul­tats du pipeline de seg­men­ta­tion.

Envi­ron­nement du pro­jet :
L’étude sera inté­grée au pro­jet “Mul­ti­phys­Mi­cro­Caps”, soutenu par la Com­mis­sion Européenne (ERC Con­sol­ida­tor grant), dont l’objectif est d’explorer l’utilisation de cap­sules déformables à cœur liq­uide de taille micrométrique pour trans­porter effi­cace­ment des sub­stances actives, et de se focalis­er sur leurs appli­ca­tions en San­té.

Pro­fil du can­di­dat :
Per­son­ne haute­ment motivée, dynamique et rigoureuse, pleine­ment investie et qui ait les com­pé­tences mul­ti­dis­ci­plinaires suiv­antes :
-Une solide for­ma­tion en infor­ma­tique, notam­ment en pro­gram­ma­tion ori­en­tée objet et en appren­tis­sage automa­tique.
-La con­nais­sance du lan­gage de pro­gram­ma­tion Python et une expéri­ence dans l’u­til­i­sa­tion des réseaux neu­ronaux con­vo­lu­tifs sont un plus.
-Ges­tion de pro­jet, très bonne maîtrise de l’anglais et du français, capac­ité à s’adapter, esprit d’équipe-