Titre : IMSAK - Intelligence Artificielle et Morphologie mathématique pour la Segmentation Automatiquede Kystes rénaux

Équipe d’encadrement : Pierre-Henri CONZE (IMT Atlantique, LaTIM UMR 1101), Petr DOKLADAL (Mines Paris, PSL, Centre de Morphologie Mathématique), Elodie PUYBAREAU (EPITA, LRE)

Durée : 6 mois.

Démarrage : Entre février et avril 2025.

Localisation : IMT Atlantique, Brest.

Offre complète : https://tinyurl.com/5an7bhkv

Description et objectifs : Lapolykystose rénale autosomique dominante(PKRAD) est la plus fréquente des maladies héréditaires monogéniques du rein [1]. Principalement caractérisée par le développement progressif de kystes, la PKRAD est l’une des principales causes d’insuffisance rénale terminale. Associée à un degré de variabilité phénotypique important, la PKRAD a une évolution naturelle variable d’un patient à l’autre. Dans ce contexte, il est nécessaire de caractériser cette évolution pour adapter la prise en charge et le suivi thérapeutique des patients. Ainsi, des acquisitions d’images par résonance magnétique (IRM) sont exploitées pour guider la stratégie thérapeutique. De nouveauxbiomarqueurs liés au nombre, à l’apparence et à la volumétrie des kystes rénaux[2] pourraient offrir des informations complémentaires au volume rénal total (VRT), principal biomarqueur utilisé à ce jour pour caractériser l’évolution pathologique [3]. Or, les annotations expertes s’attèlent seulement à délimiter les organes sans distinguer les tissus sains des tissus kystiques. Dans ce contexte, le stage visera à proposer des contributions méthodologiques et des outils à destination des professionnels de santé permettant unesegmentation fiable, automatisée et faiblement superviséede kystes rénaux, en exploitant des techniques issues de l’intelligence artificielle(IA) et de lamorphologie mathématique. La segmentation manuelle de ces structures étant coûteuse en temps et sujet à une variabilité́ entre experts, une méthode faiblement supervisée et robuste vis-à-vis de la variabilité́ en termes de nombre, forme et aspect est requise.Pour couvrir l’ensemble du contenu de l’image tout en évitant des problèmes calculatoires, des entités structurelles décomposant les images par regroupement de pixels seront considérées. Ces primitives visuelles, nommées superpixels [4], s’adaptent à la géométrie des structures anatomiques, offrent une bonne adhérence aux contours et peuvent être aisément entendues à une représentation hiérarchique multi-échelle. Nous mettrons en œuvre des techniques d’IA permettant la classification de superpixels hiérarchiques et menant à la segmentation indépendante de chaque kyste, quelle que soit son étendue spatiale. Cette approche sera étendue par la suite en exploitant un réseau profond de type Segment Anything Model (SAM), modèle de segmentation polyvalent pouvant délimiter n’importe quelle structure dans une image à partir d'un prompt (points, boîtes englobantes, masques approximatifs…) [5]. En exploitant des prompts issus des superpixels, SAM pourra accroître la précision des délimitations kystiques.

Mots clés : Segmentation d’images médicales - apprentissage profond – morphologie mathématique - superpixels - apprentissage faiblement supervisé - néphrologie

Pré-requis : Nous recherchons un(e) étudiant(e) M2 motivé(e) par l'analyse d'images médicales par apprentissage profond. Une formation en imagerie biomédicale et/ou IA et une expérience du langage de programmation Python sont un plus. De bonnes capacités de communication et de travail en équipe sont également requises car le stage sera mené en collaboration avec Mines Paris, EPITA et le CHRU de Brest. Une bonne capacité à communiquer en anglais ainsi qu'un anglais courant pour la lecture et la rédaction d'articles scientifiques sont également requis.

Candidatures : par mail à pierre-henri.conze@imt-atlantique.fr incluant CV, lettre de motivation, relevés de notes et lettre(s) de recommandation

Bibliographie :

[1] E. Cornec-Le Gall et al. Autosomal dominant polycystic kidney disease. The Lancet, 2019.

[2] A. Caroli et al. Abdominal imaging in ADPKD: Beyond total kidney volume. Journal of Clinical Medicine, 2023.

[3] P.-H. Conze et al. Dual-task kidney MR segmentation with Transformers in autosomal-dominant polycystic kidney disease. Computerized Medical Imaging and Graphics, 2024.

[4] R. Achanta et al. SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012.

[5] A. Kirillow et al. Segment anything. International Conference on Computer Vision, 2023.