L’Isep recherche un.e enseignant.e–chercheur.se en ergonomie/IHM, UX/UI.
Informations générale
Venez nous rejoindre au Laboratoire d’Informatique, Signal & Image, Télécom & Electronique (LISITE) situé à l’Isep, Ecole d’ingénieurs du numérique (Isep), 10 rue de Vanves à Issy-Les-Moulineaux en Ile-de-France. https://www.isep.fr/la-recherche/
Durée du programme : 36 mois maximum
Domaine Sciences & Technologie de l’information & la communication
Axe Imagerie médicale : IA et traitement des images
Groupe de recherche DaSSIP
Collaboration CIC de l’Hôpital des Quines-Vingts
Contexte et motivation scientifique
Ce projet de thèse s’inscrit dans la collaboration avec le Centre d’Investigation Clinique (CIC) de l’hôpital des Quinze-Vingts et fait suite à deux stages encadrés sur le sujet. Il s’agit de proposer des méthodes d’analyse de séries d’images de fond d’œil pour calculer des cartes de progression des zones géographiques d’atrophie (GA) et modéliser la progression de cette maladie dégénérative de la macula. Des modèles prédictifs de la dégénérescence sont utiles pour la compréhension de la pathologie, ainsi que l’établissement de modèles prédictifs reproduisant la biomécanique de la croissance des lésions, travail déjà initié avec le CIC et l’Inria grâce aux travaux antérieurs. Mais pour poursuivre et renforcer cette recherche, il faut disposer de méthodes fiables et précises d’analyse des séries d’images de fond d’œil en NIR (Near Infra Red) dont l’hôpital dispose, y compris les plus difficiles à traiter.
Objectifs
Proposer des méthodes d’IA et de traitement des images pour analyser automatiquement des séries d’images de fond d’œil en proche infra-rouge (NIR) afin de segmenter la progression des lésions d’un examen au suivant, de détecter l’apparition de nouvelles lésions, et ce sur des durées significatives de plusieurs années. Pour cela, il faut surmonter les défauts des images (illuminations inhomogènes, faible contraste), la variabilité de forme des lésions (plus ou moins indentées, plus ou moins éparses), la très grande difficulté de disposer de données annotées pour entrainer des modèles d’apprentissage profond. Cependant, des résultats très encourageants ont déjà été obtenus avec des modèles de réseaux de neurones récurrents, notamment des réseaux de type U-Net intégrant des cellules LSTM pour le suivi temporel. L’un des défis sera aussi de mettre au point des apprentissages semi-supervisés pour pallier le manque d’annotations. Enfin, il n’existe pas de modélisation de la progression spatiale des lésions, ce sera donc un axe totalement novateur à mener. Les cartes de progression élaborées sur des séries d’images réelles pourront être utilisées par nos partenaires de l’Inria qui cherchent, en collaboration avec le CIC, à établir des modèles biomécaniques de la progression des zones d’atrophie. De tels modèles prédictifs sont nécessaires pour évaluer des thérapies (aucun remède efficace disponible à ce jour).
Profile (connaissances et compétences attendues)
Compétences attendues :
- Intelligence artificielle
- Traitement des images
- Programmation
- Rédaction en Français et en Anglais
Niveau d’étude :
Bac+5 (Ingénieur ou Master) en informatique, traitement du signal/images ou mathématiques appliquées avec une spécialité en imagerie médicale, intelligence artificielle ou biomédical.
Contact & candidature
Florence ROSSANT : florence.rossant@isep.fr
Nan DING ; nan.ding@isep.fr
Bibliographie
Peu de travaux traitent de la segmentation de séries d’images de fond d’œil dans des images cSLO en proche infra rouge (NIR), car la délimitation de la frontière des zones d’atrophie est très complexe avec cette modalité, avec un contraste très variable d’un examen à l’autre, et entre les patients. L’auto-fluorescence offre un bien meilleur contraste, et ces images ont donc été plus exploitées pour élaborer des méthodes de segmentation. Cependant, le NIR est une imagerie rapide, confortable pour le patient, bien adaptée au suivi longitudinal, et de nombreuses données sont disponibles, bien que de qualités très variables. Cela justifie de travailler sur cette modalité malgré les difficultés précitées et le peu de travaux effectués jusqu’à présent [1].
La littérature sur l’analyse des séries d’images de fond d’œil en NIR pour l’étude de la DMLA est donc très réduite et se concentre sur les travaux effectués par l’Isep et les Quinze-Vingts.
Le premier travail porte sur la normalisation longitudinale pour permettre de comparer les intensités des pixels entre toutes les acquisitions NIR de la série [1]. Ce traitement a permis de proposer une première approche permettant d’élaborer des cartes de croissance des lésions par des analyses faites au niveau pixel, et ce sans apprentissage. Cependant, il peut rester des défauts d’illumination spatialement dans les images (la normalisation [1] est longitudinale uniquement), ce qui devra être traité complémentairement pour assurer un contraste plus homogène sur les bords de la lésion.
Un deuxième axe fondé sur l’apprentissage profond non supervisé a ensuite été testé sur les séries normalisées. Nous avons tenté une segmentation directe des lésions par un W-Net, un auto encodeur entièrement convolutionnel formé de deux U-Net [2]. Par ailleurs, plutôt que de segmenter explicitement la lésion, les changements entre deux examens successifs sont détectés grâce à des auto encodeurs joints [3]. L’avantage de ces approches est qu’elles pallient la difficulté de disposer de données annotées. Mais ces travaux montrent des limites : l’absence de supervision ne permet pas d’atteindre les précisions requises, et l’axe temporel n’est pas suffisamment exploité. Au mieux, les images sont traitées par paires.
Ainsi, un nouvel axe a été initié lors de stages, avec des réseaux de neurones récurrents (uni ou bi-directionnels) opérant au niveau pixel, sur un voisinage local, ou sur toute l’image. Les résultats (non publiés) sont très prometteurs et serviront de base à la thèse proposée.
En dehors des travaux de l’Isep et des Quinze-Vingts, les études longitudinales en NIR restent peu nombreuses, car le NIR est surtout une modalité complémentaire de la FAF/OCT. On peut cependant citer Marsiglia et al. [4] qui utilisent le NIR pour étudier spatialement la progression de la GA et les pseudodrusen, ainsi que Lindner et al. [5], qui montrent en NIR+FAF que la croissance de la GA avec épargne fovéale est fortement directionnelle. Abdelfattah et al. [6] confirment ensuite que la surface de GA peut être quantifiée de façon fiable sur NIR.
[1] Rossant, F. & Paques, M. (2021). “Normalization of series of fundus images to monitor the geographic atrophy growth in dry age-related macular degeneration.” Computer Methods and Programs in Biomedicine, 208, 106234
[2] Royer, C. et al. (2021). “Unsupervised approaches for the segmentation of dry ARMD lesions in eye fundus cSLO images.” Journal of Imaging, 7(8), 143
[3] Dupont, G. et al. (2020). “Analyzing age-related macular degeneration progression in patients with geographic atrophy using joint autoencoders for unsupervised change detection.” Journal of Imaging, 6(7), 57.
[4] Marsiglia M, Boddu S, Bearelly S, et al. Association between geographic atrophy progression and reticular pseudodrusen in eyes with dry age-related macular degeneration. Investigative Ophthalmology & Visual Science. 2013;54(12):7362–7369. DOI: 10.1167/iovs.12-11073.
[5] Lindner M, Böker A, Mauschitz MM, et al. Directional Kinetics of Geographic Atrophy Progression in Age-Related Macular Degeneration with Foveal Sparing. Ophthalmology. 2015;122(7):1356–1365. DOI: 10.1016/j.ophtha.2015.03.027. Cette étude utilise longitudinalement FAF et NIR reflectance.
[6] Abdelfattah NS, Sadda J, Wang Z, Hu Z, Sadda SR. Near-Infrared Reflectance Imaging for Quantification of Atrophy Associated with Age-Related Macular Degeneration. American Journal of Ophthalmology. 2020;212:169–174. DOI: 10.1016/j.ajo.2020.01.005.