Thèse Astral - Apprentissage Spatio-Temporel Robuste pour la Segmentation et le Suivi de Structures Hépatiques Sous Contraintes d'Annotations Limitées H/F - Doctorat.Gouv.Fr

Établissement : IMT-Atlantique - Campus de Brest École doctorale : École doctorale Sciences de la vie et de la santé Laboratoire de recherche : Laboratoire de traitement de l'information médicale Direction de la thèse : Bogdan BADIC Date limite de candidature : 2026-05-22T00:00:00
Le projet ASTRAL propose le développement de méthodes d'apprentissage profond fondées sur une modélisation spatio-temporelle explicite pour la segmentation et le suivi longitudinal des structures anatomiques et pathologiques hépatiques en imagerie par tomodensitométrie (TDM). Il s'appuie sur des architectures de segmentation 3D multi-structures enrichies par des mécanismes de cohérence temporelle, afin de dépasser les approches image par image et de caractériser finement l'évolution morphologique des tissus hépatiques. Dans un contexte de données longitudinales hétérogènes et faiblement annotées, le projet explorera des stratégies d'apprentissage faiblement supervisé combinant pseudo-annotations, régularisations temporelles et contraintes anatomiques, complétées par la construction de données longitudinales synthétiques pour l'entraînement des modèles profonds. Enfin, des représentations sur graphes spatio-temporels seront développées afin de modéliser les interactions et trajectoires évolutives des lésions et de définir, in fine , des biomarqueurs quantitatifs avancés pour l'évaluation et la prédiction de la réponse thérapeutique, au-delà des critères cliniques standards tels que RECIST.
Le (la) doctorant(e) sera accueilli(e) au sein du laboratoire LATIM disposant d'une expertise reconnue en analyse d'images et intelligence artificielle pour la santé. Environnement scientifique Le projet s'inscrit dans une dynamique collaborative forte associant chercheurs en IA, spécialistes du traitement d'images, et cliniciens partenaires (notamment au CHRU de Brest). L'équipe encadrante possède une expérience confirmée dans la conduite de projets de recherche en segmentation d'images médicales, suivi longitudinal, apprentissage profond et validation clinique. Le (la) doctorant(e) bénéficiera :
d'un encadrement rapproché et complémentaire (imagerie, IA, clinique), d'un environnement de recherche structuré (réunions d'équipe, séminaires, collaborations nationales et internationales), d'une intégration dans des projets en cours liés à l'IA frugale et à la segmentation vasculaire et d'organes.
Moyens techniques Le laboratoire dispose :
de stations de travail équipées de GPU dédiés au deep learning, d'un accès à des infrastructures de calcul haute performance (HPC), d'outils logiciels spécialisés, de bases de données cliniques existantes, annotées, issues de collaborations hospitalières.
Des moyens financiers sont prévus pour :
la participation à des conférences internationales (MICCAI, IEEE ISBI...), l'acquisition éventuelle de matériel ou de ressources complémentaires nécessaires au projet.

L'objectif général du projet ASTRAL est de développer des méthodes d'apprentissage profond intégrant une modélisation spatio-temporelle explicite pour la segmentation et le suivi longitudinal des structures anatomiques et pathologiques hépatiques en imagerie TDM, dans un contexte de données hétérogènes et faiblement annotées. Cet objectif se décline en deux volets complémentaires - scientifique et clinique - visant à la fois des avancées méthodologiques en analyse d'images médicales par intelligence artificielle et des retombées concrètes pour la pratique clinique.

Objectifs scientifiques

- Développer des modèles d'apprentissage profond pour la segmentation 3D multi-structures des tissus hépatiques intégrant explicitement la dimension spatio-temporelle.
- Concevoir des méthodes de modélisation temporelle exploitant la cohérence inter-examens afin de caractériser finement l'évolution morphologique des tissus hépatiques.
- Proposer des stratégies d'apprentissage robustes et frugales adaptées à des données longitudinales hétérogènes et faiblement annotées.
- Intégrer des contraintes anatomiques, géométriques et topologiques pour garantir des segmentations longitudinales cliniquement cohérentes.
- Développer des représentations sur graphes spatio-temporels afin de modéliser les interactions et les trajectoires évolutives des lésions hépatiques.

Objectifs cliniques

- Améliorer la fiabilité et la reproductibilité de la segmentation et du suivi longitudinal des structures hépatiques en imagerie TDM.
- Fournir des indicateurs quantitatifs avancés permettant de caractériser précisément l'évolution temporelle des cancers avec atteinte hépatique.
- Contribuer à une meilleure évaluation et prédiction de la réponse thérapeutique, au-delà des critères cliniques standards tels que RECIST.
- Favoriser l'intégration de méthodes d'IA robustes et généralisables dans les pratiques cliniques de suivi des patients.