Développement d'approches IA pour la segmentation et l'analyse comparative d'embryons en micros[...]

Université de Montpellier; France; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une institution universitaire en France recherche un(e) candidat(e) pour un projet de thèse sur l'intelligence artificielle appliquée à l'analyse d'images biomédicales. Le candidat doit avoir un Master 2 en informatique ou disciplines connexes et de solides compétences en apprentissage profond et programmation. Ce projet ambitieux vise à développer de nouvelles méthodes pour étudier la morphogenèse embryonnaire et nécessite un bon niveau d'anglais.

Qualifications

• Motivé(e) avec un intérêt pour l'interdisciplinarité.
• Connaissances en biologie cellulaire appréciées.
• Capacité à travailler en équipe et curiosité scientifique.

Responsabilités

• Développer de nouvelles approches d'IA pour l'analyse d'images.
• Travailler sur la segmentation cellulaire et le suivi temporel.
• Collaborer avec des biologistes pour appliquer des méthodes avancées.

Connaissances

Apprentissage profond

Traitement d'images

Programmation Python

Gestion de données volumineuses

Anglais écrit et oral

Formation

Master 2 ou diplôme d'ingénieur

Outils

PyTorch

TensorFlow

Description du poste

Overview / Vue d’ensemble

Université de Montpellier

L’intelligence artificielle et, en particulier, l’apprentissage profond transforment aujourd’hui l’analyse d’images biomédicales. Toutefois, de nombreux verrous subsistent pour les données issues de la microscopie 3D+temps, qui permettent de suivre en direct la formation des embryons. Ces données sont massives, hétérogènes, déséquilibrées (beaucoup de fond, peu de structures pertinentes), et reflètent des dynamiques cellulaires complexes. Les méthodes classiques atteignent vite leurs limites face à cette richesse d’information.

Ce projet de thèse vise à développer de nouvelles approches d’IA adaptées à ce contexte, afin de mieux comprendre la variabilité morphologique des embryons et d’ouvrir la voie à une analyse quantitative, comparative et automatisée de l’embryogenèse.

Deux grands axes structurent le travail.

This PhD project aims to design new AI methods tailored to this context, in order to better understand morphological variability in embryos and to provide a quantitative, comparative, and automated framework for studying embryogenesis. The work will be structured around two main axes:

Axes de recherche

1. 1. Représentation morphologique par apprentissage non supervisé. L’objectif est de projeter des images 3D d’embryons, acquises à différents stades, dans un espace latent de faible dimension. Cet espace servira de carte morphologique permettant de comparer objectivement les formes embryonnaires, d’identifier les ressemblances et les différences entre trajectoires développementales, et de mettre en évidence des morphologies atypiques. Des réseaux autoencodeurs 3D et des représentations implicites innovantes (NeRF, DeepSDF) seront explorés pour capturer fidèlement la complexité des structures embryonnaires.

2. 2. Segmentation cellulaire et suivi temporel. La dissociation habituelle entre segmentation spatiale et suivi temporel limite aujourd’hui la précision des reconstructions. Le projet proposera une approche intégrée, combinant réseaux convolutionnels 3D épars (sparse CNN), mécanismes d’attention et architectures hybrides CNN-Transformer. Cette stratégie permettra de tirer parti de la continuité spatio-temporelle des cellules, d’améliorer la robustesse de la segmentation et de modéliser les dynamiques cellulaires (divisions, déplacements collectifs, morphogenèse).

Contexte et données

Ce travail sera mené sur une base unique d’images 3D d’embryons d’ascidie, déjà collectées et annotées par nos partenaires biologistes. L’ascidie est un organisme modèle dont l’embryogenèse est à la fois rapide, stéréotypée et représentative des chordés, ce qui en fait un système idéal pour développer et valider de nouvelles méthodes.

Au-delà de ses retombées méthodologiques, ce projet se situe à la croisée de l’IA, de la biologie du développement et de l’imagerie biomédicale. Il permettra de :

• proposer une méthodologie robuste pour comparer finement des morphologies embryonnaires complexes,
• mettre au point un réseau neuronal adapté aux défis spécifiques de la microscopie 3D+temps,
• fournir un logiciel dédié à la communauté scientifique pour faciliter l’analyse comparative de données embryonnaires à grande échelle.

En intégrant pleinement les dynamiques spatio-temporelles dans un cadre algorithmique unifié, cette thèse ambitionne d’apporter un changement de paradigme pour l’étude automatisée et quantitative du développement embryonnaire.

Contexte international et calendrier

Début de la thèse : 01/11/2025

Financement

Funding category: Financement d’un établissement public Français

Profil candidat et compétences

Nous recherchons un(e) candidat(e) motivé(e), ayant un goût marqué pour l’interdisciplinarité à l’interface entre intelligence artificielle et biologie du développement.

Formation souhaitée :
• Master 2 ou diplôme d’ingénieur en informatique, mathématiques appliquées, bio-informatique, imagerie biomédicale ou disciplines proches.
• Des connaissances de base en biologie cellulaire ou en biologie du développement seront un atout, mais ne sont pas obligatoires.

Compétences techniques :
• Bonne maîtrise des outils d’apprentissage profond (PyTorch, TensorFlow, ou équivalent).
• Connaissances en traitement et analyse d’images (idéalement 3D ou biomédicales).
• Pratique de la programmation (Python requis ; C++ ou autre langage apprécié).
• Connaissances en gestion de données volumineuses et calcul haute performance (GPU, clusters) appréciées.

Qualités personnelles :
• Intérêt pour les problématiques interdisciplinaires et volonté d’interagir avec des biologistes et des spécialistes de l’imagerie.
• Capacité à travailler en équipe, curiosité scientifique et autonomie.
• Bon niveau d’anglais écrit et oral pour la lecture, la rédaction d’articles et la participation à des conférences internationales.

Ce profil offrira au doctorant un cadre idéal pour développer des compétences solides en méthodes avancées d’IA tout en contribuant à une meilleure compréhension des mécanismes fondamentaux de la morphogenèse embryonnaire.

Remarques finales

We are looking for a highly motivated candidate with a strong interest in interdisciplinary research at the interface between artificial intelligence and developmental biology.