Offre de stage de Master 2

INRAE; Reims; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Un institut de recherche en France recrute un stagiaire pour développer un pipeline de segmentation d'images 4D à l'aide de modèles de deep learning. Le candidat devra avoir une formation en Licence/Master (Bac+3/5) et des compétences en machine learning et analyse d'images. Ce stage offre une occasion unique de contribuer à des recherches innovantes dans un environnement stimulé.

Prestations

Jusqu'à 30 jours de congés + 15 RTT

Soutien à la parentalité

Dispositifs de développement des compétences

Accompagnement social

Prestations vacances et loisirs

Activités sportives et culturelles

Restauration collective

Qualifications

• Expérience avec des modèles basés sur le deep learning.
• Connaissance durable en segmentation d'images.
• Solides compétences en analyse de données.

Responsabilités

• Implémenter un pipeline basé sur le DL pour la segmentation d'images 4D.
• Propager la segmentation pré-hydrolyse enzymatique au cours du temps.
• Utiliser les transformations pour passer d'une image initiale aux images correspondantes.

Connaissances

Machine Learning

Segmentation d'images

Deep Learning

PyTorch

Analyse d'images

Formation

Licence/Master (Bac+3/5)

Description du poste

Présentation INRAE

L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi‑performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

Environnement de travail, missions et activités

L’objectif est de capitaliser les séquences obtenues à partir des images 3D acquises à différents temps de l’hydrolyse enzymatique, pour chacun des échantillons de BL analysés. Nous avons déjà développé un pipeline de segmentation des cellules de BL basé sur le modèle PyTorch 3D U‑Net de (Wolny 2020) et vérifié son efficacité sur les images pré‑hydrolyse de biomasses de peuplier. Cependant, l’utilisation de modèles basés sur le DL pour l’analyse de l’hydrolyse enzymatique fait face à la même difficulté que les algorithmes classiques : les cellules ne peuvent pas être clairement séparées à cause de la déconstruction des tissus végétaux de la BL. La mission de la personne recrutée consiste à implémenter un pipeline basé sur le DL, pour la segmentation d’images 4D, qui conserve sa pertinence au cours de l’hydrolyse enzymatique.

Dans ce cadre, le premier objectif consiste à propager la segmentation pré‑hydrolyse enzymatique (DL) au cours du temps en utilisant les transformations (non DL) qui permettent de passer de l’image initiale aux images correspondantes aux temps suivants, voir (Refahi 2024). Le second objectif consiste à utiliser des modèles de DL à la fois pour segmenter les images et pour propager la segmentation d’un temps donné au temps suivant. Le suivi des cellules à l’aide du DL est alors obtenu en entraînant des modèles basés sur des CNN, avec pour entrée la segmentation au temps courant et pour sortie la segmentation au temps suivant (Zargari 2023).

Il est à noter que ce stage participera à une meilleure exploitation des séquences 4D de l’hydrolyse enzymatique sur différentes typologies de biomasses et différents prétraitements des biomasses en lien avec le projet FillingGaps. À terme, ces caractérisations structurales pourront être combinées et liées aux caractérisations chimiques, dans une approche innovante, permettant d’étudier l’efficacité de saccharification de BL contrastées.

Formations et compétences recherchées

Licence/Master (Bac+3/5). L’objectif est de capitaliser les séquences obtenues à partir des images 3D acquises à différents temps de l’hydrolyse enzymatique, pour chacun des échantillons de BL analysés. Nous avons déjà développé un pipeline de segmentation des cellules de BL basé sur le modèle PyTorch 3D U‑Net de (Wolny 2020) et vérifié son efficacité sur les images pré‑hydrolyse de biomasses de peuplier. Cependant, l’utilisation de modèles basés sur le DL pour l’analyse de l’hydrolyse enzymatique fait face à la même difficulté que les algorithmes classiques : les cellules ne peuvent pas être clairement séparées à cause de la déconstruction des tissus végétaux de la BL. La mission de la personne recrutée consiste à implémenter un pipeline basé sur le DL, pour la segmentation d’images 4D, qui conserve sa pertinence au cours de l’hydrolyse enzymatique.

Dans ce cadre, le premier objectif consiste à propager la segmentation pré‑hydrolyse enzymatique (DL) au cours du temps en utilisant les transformations (non DL) qui permettent de passer de l’image initiale aux images correspondantes aux temps suivants, voir (Refahi 2024). Le second objectif consiste à utiliser des modèles de DL à la fois pour segmenter les images et pour propager la segmentation d’un temps donné au temps suivant. Le suivi des cellules à l’aide du DL est alors obtenu en entraînant des modèles basés sur des CNN, avec pour entrée la segmentation au temps courant et pour sortie la segmentation au temps suivant (Zargari 2023).

Il est à noter que ce stage participera à une meilleure exploitation des séquences 4D de l’hydrolyse enzymatique sur différentes typologies de biomasses et différents prétraitements des biomasses en lien avec le projet FillingGaps. À terme, ces caractérisations structurales pourront être combinées et liées aux caractérisations chimiques, dans une approche innovante, permettant d’étudier l’efficacité de saccharification de BL contrastées.

Références

• Refahi Y, Zoghlami A, Viné T, Terryn C, Paës G, 2024. Plant cell wall enzymatic deconstruction: bridging the gap between micro and nano scales. Bioresour Technol 414, 131551
• Wolny A, Cerrone L, Vijayan A, Tofanelli R, Barro AV, et al, 2020. Accurate and versatile 3D segmentation of plant tissues at cellular resolution. eLife 9, e57613
• Zargari A, Lodewijk GA, Mashhadi N, Cook N, Neudorf CW, et al, 2023. DeepSea is an efficient deep‑learning model for single‑cell segmentation and tracking in time‑lapse microscopy. Cell Reports Methods 3(6), 100500

Votre qualité de vie à INRAE

• jusqu'à 30 jours de congés + 15 RTT par an (pour un temps plein)
• d'un soutien à la parentalité : CESU garde d'enfants, prestations pour les loisirs
• de dispositifs de développement des compétences : formation, conseil en orientation professionnelle
• d'un accompagnement social : conseil et écoute, aides et prêts sociaux
• de prestations vacances et loisirs : chèque‑vacances, hébergements à tarif préférentiel
• d'activités sportives et culturelles
• d'une restauration collective

Modalités pour postuler

J'envoie mon CV et ma lettre de motivation

Les personnes accueillies à INRAE, établissement public de recherche, sont soumises aux dispositions du Code de la fonction publique notamment en ce qui concerne l’obligation de neutralité et le respect du principe de laïcité. A ce titre, dans l’exercice de leurs fonctions, qu’elles soient ou non au contact du public, elles ne doivent pas manifester leurs convictions, par leur comportement ou leur tenue, qu’elles soient religieuses, philosophiques ou politiques.

En savoir plus : site fonction publique.gouv.fr