Traitement Automatique d’Images Scannées et Mesures Morphométriques d’Os Longs par Machine Learning et Deep Learning
Laboratoire : LIS (UMR 7020)
Encadrants : Christophe Roman (Maitre de conférences). Marc-Emmanuel Bellemare (Maitre de conférences).
Localisation : Domaine universitaire de Saint Jérôme,
Avenue Escadrille Normandie Niemen,
13397 MARSEILLE Cedex 20.
Mails : christophe.roman@lis-lab.fr
Marc-Emmanuel.Bellemare@lis-lab.fr
Durée : 5 mois
Les candidatures doivents être envoyées à christophe.roman@lis-lab.fr
Le traitement d’images médicales est essentiel pour l’analyse et le diagnostic des structures anatomiques. L’étude des os longs, en particulier, bénéficie des techniques de traitement d’image et d’intelligence artificielle qui permettent d’automatiser des tâches de segmentation et de mesures morphométriques, souvent effectuées manuellement par les cliniciens. Ce stage s’inscrit dans un projet de développement et d’optimisation d’outils automatisés pour l’isolation et la mesure des os longs, dans le cadre d’analyses médico-légales.
Ce sujet de stage fait partie d’un projet de recherche en collaboration entre le LIS et ADES, et s’inscrit dans le domaine du pronostic de sexe à partir de mesures sur les os longs, soutenu par une thèse débutée en 2022.
Le projet porte sur le traitement automatisé des images scannées, avec une première étape dédiée à la segmentation des os longs, c’est-à-dire leur extraction et isolement. La seconde étape consiste en la prise de mesures spécifiques sur ces os, selon les objectifs du projet. Au cours de ce stage, il s’agira de développer une méthode combinant l’anthropologie médico-légale et l’intelligence artificielle, en se concentrant sur l’automatisation des mesures ostéologiques à partir d’images médicales (scanners). L’objectif est de créer un système intelligent capable d’extraire rapidement et précisément des données morphométriques d’os humains, utilisées ensuite pour estimer des caractéristiques biologiques (comme le sexe et la stature) dans un contexte médico-légal. Cette approche vise à renforcer l’efficacité et la fiabilité des analyses anthropologiques en automatisant, par le traitement d’image, des tâches traditionnellement manuelles, réduisant ainsi le temps d’analyse, les erreurs humaines, et améliorant la reproductibilité des résultats.
L’objectif principal de ce stage est de développer une approche de traitement d’image et de machine learning (notamment deep learning) permettant d’isoler des os longs dans des images de scanner et de réaliser automatiquement des mesures morphométriques. Le projet pourra être segmenté en plusieurs étapes. Il est important de souligner que ces étapes présentent un protocole général et une première approche de recherche, qui pourraient être ajustés si les résultats ne sont pas satisfaisants, nécessitant ainsi une réévaluation de certaines hypothèses ou étapes. Nous pourrons également explorer la sensibilité du système face aux variations de ses paramètres.
Le projet inclut l’importation et la manipulation de grands volumes d’images scannées, nécessitant une gestion efficace des données pour assurer la fluidité du traitement. Dans un premier temps, des techniques de rétraitement seront appliquées afin d’optimiser la qualité des images, ce qui comprend le filtrage, l’ajustement des contrastes, et la réduction du bruit. Ces étapes visent à améliorer la clarté des images, facilitant les analyses ultérieures. Enfin, une évaluation rigoureuse de la qualité des images prétraitées sera réalisée pour s’assurer qu’elles répondent aux exigences des étapes de traitement suivantes.
Le projet prévoit le développement d’un modèle de segmentation basé sur le deep learning pour isoler un os long spécifique, comme le fémur ou l’humérus. Pour atteindre cet objectif, des réseaux de neurones convolutionnels (CNN) ou d’autres architectures adaptées seront mis en place, afin de garantir une détection et une segmentation précises de l’os ciblé. Une étape de validation suivra pour évaluer l’efficacité et la précision de la segmentation sur des images scannées, permettant ainsi d’ajuster et d’optimiser le modèle pour des performances optimales. On réfère aux travaux suivants [2], [4] et [3].
L’extraction des caractéristiques morphométriques de l’os long isolé, comme la longueur, le diamètre et l’épaisseur de la corticale, constitue une étape clé du projet. Cette extraction sera automatisée à l’aide d’algorithmes d’analyse d’image, permettant un calcul rapide et précis des mesures nécessaires. Pour valider la précision de cette approche, les résultats obtenus par l’automatisation seront comparés aux mesures effectuées manuellement, ce qui permettra d’évaluer la fiabilité et la justesse de la méthode automatisée.
Le modèle sera adapté pour isoler et mesurer d’autres os longs, tels que le tibia et le radius, afin d’élargir son application à une variété de structures anatomiques. Une évaluation des performances de l’algorithme sera réalisée pour chaque type d’os, permettant de vérifier sa précision et son efficacité sur différents os longs.
Nous sommes à la recherche d’un stagiaire en préparation de sa dernière année de Master en Traitement de l’image ou dans une discipline connexe. Le candidat idéal devra posséder des connaissances solides en traitement d’image et en vision par ordinateur, ainsi qu’une maı̂trise des concepts de machine learning et de deep learning. Une expérience pratique avec des frameworks de deep learning, tels que TensorFlow ou PyTorch, est essentielle pour mener à bien les tâches de développement et d’optimisation des modèles. Des compétences en programmation, notamment en Python, et la capacité à manipuler des images avec des bibliothèques comme OpenCV ou PIL sont également requises.
Nous attendons du stagiaire un engagement sérieux ainsi qu’une maı̂trise des outils mathématiques et informa- tiques adaptés à son niveau académique. Le travail consistera à développer du code en Python et à comprendre mathématiquement les objets et méthodes utilisés.
Le stagiaire sera encadré par une équipe de chercheurs en traitement d’image et en intelligence artificielle. Il ou elle participera à des réunions régulières pour le suivi du projet.
On se propose d’utiliser l’ensemble de données d’imagerie scannée du corps total en libre-service [1].
[1] Kistler, M., Bonaretti, S., Pfahrer, M., Niklaus, R., and Büchler, P. The virtual skeleton database: An open access repository for biomedical research and collaboration. J Med Internet Res 15, 11 (Nov 2013), e245.
[2] Klein, A., Warszawski, J., Hillengaß, J., and Maier-Hein, K. H. Automatic bone segmentation in whole-body ct images. International journal of computer assisted radiology and surgery 14 (2019), 21–29.
[3] Pinheiro, M., and Alves, J. L. A new level-set-based protocol for accurate bone segmentation from ct imaging. IEEE Access 3 (2015), 1894–1906.
[4] Rahim, M. S. M., Norouzi, A., Rehman, A., and Saba, T. 3d bones segmentation based on ct images visualization. Biomedical Research 28, 8 (2017), 3641–3644.
(c) GdR IASIS - CNRS - 2024.