Actualités

Details

Published: 22 January 2024

 This email address is being protected from spambots. You need JavaScript enabled to view it., phD, HDR                                                            This email address is being protected from spambots. You need JavaScript enabled to view it., PhD, HDR

 Professeur des universités                                                                Chercheur-Ingénieur Imagerie Médicale et IA

Département de Mathématiques/Informatique                                      Responsable scientifique physique médicale,

Université de Caen Normandie                                                           Centre François Baclesse

Laboratoire GREYC (UMR6072-CNRS) - Équipe IMAGE                      ISTCT UMR6030-CNRS, UNICAEN

Objet : Recherche de candidat pour une potentielle offre de thèse Octobre 2024-2027

Titre de la thèse : FAME-MED – Fédération d'Apprentissage, Modèles Génératifs et Adaptation de Domaines en Imagerie Médicale

Synopsis : Les problèmes liés à la confidentialité sont critiques dans le domaine de l'imagerie médicale, où les données pourraient révéler des informations très sensibles sur les pathologies et l'historique médical du patient. L'apprentissage fédéré (ou federated learning FL) est un paradigme d'apprentissage machine (une des branches de l'IA) qui permet de répondre au problème de confidentialité. Il est décentralisé : les modèles d'apprentissage automatique sont entraînés localement sur des données distribuées, généralement sur des appareils ou des serveurs autonomes sans centraliser toutes les données sur un serveur maître. Cependant, une difficulté majeure pour l’apprentissage fédéré dans le traitement de l'imagerie médicale décentralisée provient du fait que les différents sites présentent une variance dans les données. En effet, bien que les institutions et les hôpitaux puissent recueillir le même type de données médicales, ces données peuvent présenter des caractéristiques variables en raison des méthodes de collecte, des normes et des protocoles, des politiques et des priorités institutionnelles, de la diversité des populations de patients et des réglementations de confidentialité différentes. Ce qui est exacerbé par la quantité limitée de données d'entraînement généralement accessibles pour chaque site et le nombre restreint de sites. Ce projet cherche à allier apprentissage fédéré et adaptation de domaine pour pallier à la disparité des données et permettre, durant la thèse, l’application multicentre d’un modèle d’IA innovant en cancérologie. C'est un programme innovant avec un positionnement local fort entre le GREYC et ISTCT et les CLCC normands (co-direction).

Localisation et encadrement: L’étudiant sera localisé principalement au laboratoire du GREYC pour la partie développement en apprentissage fédéré et au niveau du centre François Baclesse et à ISTCT pour la partie application médicale. Le projet de thèse sera dirigé par Romain Hérault et Aurélien Corroyer-Dulmont respectivement experts en IA et en cancérologie/imagerie médicale.

Une offre de stage de M2 sur le sujet dès février/mars 2024 est aussi proposée, la demande de financement de la thèse est actuellement en cours.

Pour plus d'information, contactez Romain Herault ou This email address is being protected from spambots. You need JavaScript enabled to view it.