Thèse (H/F) : Fusion d’images MSI/IF par apprentissage non-supervisé

CNRS; Toulouse; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Le CNRS propose une thèse en fusion d’images MSI/IF par apprentissage non-supervisé à Toulouse. Le candidat idéal doit avoir un master en sciences des données et des compétences en traitement d’images. L'opportunité est encadrée par des experts en intelligence artificielle et en biologie, offrant une expérience précieuse sur des projets innovants sur une durée de 36 mois.

Qualifications

• Titulaire d’un master en sciences des données ou diplôme d’ingénieur.
• Motivation pour la recherche appliquée déterminante.
• Compétences requises en traitement d'images.

Responsabilités

• Fusion d’images d'immunofluorescence et d'imagerie par spectrométrie de masse.
• Apprentissage de représentation pour simplifier les données.
• Analyse conjointes des modalités par des techniques d’apprentissage non-supervisé.

Connaissances

Traitement d'images

Mathématiques appliquées

Informatique

Intelligence artificielle

Formation

Master recherche ou diplôme d’ingénieur

Outils

Spectrométrie de masse

Description du poste

Thèse (H/F) : Fusion d’images MSI/IF par apprentissage non-supervisé

Cette offre est disponible dans les langues suivantes :

Date Limite Candidature : mercredi 23 juillet 2025 23:59:00 heure de Paris

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

Intitulé de l'offre : Thèse (H/F) : Fusion d’images MSI/IF par apprentissage non-supervisé
Référence : UMR5089-LANBLA-002
Nombre de Postes : 1
Lieu de travail : TOULOUSE
Date de publication : mercredi 2 juillet 2025
Type de contrat : CDD Doctorant
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2025
Quotité de travail : Complet
Rémunération : La rémunération est d'un minimum de 2 200 € brut mensuel
Section(s) CN : 28 - Pharmacologie, bio-ingénierie, imagerie, biotechnologie

Description du sujet de thèse

La thèse se focalisera sur la fusion d’acquisitions d'image d'immunofluorescence (IF) et d'imagerie par spectrométrie de masse (MSI) d’un même échantillon. Plusieurs étapes de pré-traitement sont nécessaires pour chaque modalité, ainsi que la mise en correspondance des deux images dans un référentiel commun (registration). La seconde étape concerne l’apprentissage de représentation, qui permet de simplifier les données (typiquement réduire la dimension), mais aussi d’analyser plus facilement les propriétés spatiales et spectrales du cube MSI. Pour ce faire, on pourra s’appuyer sur l’abondante littérature existante en démélange spectral, ou sur des méthodes classiques d’approximation de rang faible, comme la décomposition en matrices non-négatives (NMF) qui est couramment mise en œuvre pour pré-traiter ou exploiter les données MSI. La thèse se concentrera sur l’étape de fusion proprement dite, qui consiste à analyser conjointement les deux modalités, et pour lesquelles nous envisageons les pistes suivantes, de difficulté progressive :
1. Approximation de rang faible informée par une segmentation. La NMF permet, à partir des données MSI, d’extraire des spectres typiques et leur répartition spatiale. Dans cette première approche, il s’agira de contraindre ou d’informer ces facteurs spatiaux grâce à l’image IF préalablement segmentée. Ce problème peut s’envisager comme un certain type de co-factorisation matricielle, qui est relativement courant dans la littérature mais qu’il s’agira d’adapter à notre contexte.
2. De la segmentation au démélange. Dans l’approche précédente, chaque pixel MSI est supposé appartenir à une seule classe, alors qu’en raison de la faible résolution spatiale, il y a la plupart du temps un mélange. Modéliser ce mélange, à partir de la segmentation de l’image IF, et s’en servir dans une co-fractorisation permettra d’améliorer les résultats. Par ailleurs, les acquisitions IFs seront bientôt réalisées sur une vingtaine de canaux, ce qui ouvre la voie à des approches de fusion symétriques basées sur une factorisation jointe, de type CNMF, qui ne nécessitent pas au préalable de segmentation de l’image IF.
3. Vers des approches partiellement supervisées. On explorera enfin la littérature récente en imagerie spectrale, qui utilise les outils récents de l’apprentissage automatique, notamment les réseaux de neurones profonds, avec différents niveaux possibles de supervision.

Contexte de travail

L’équipe « Microenvironment, Cancer and Adipocytes » (MICA) de l’IPBS utilise des techniques d'imagerie par spectrométrie de masse (MSI) pour l'étude des petites molécules et des lipides, dans le but de caractériser le micro-environnement des cellules tumorales et leur métabolisme. La MSI fournit des données spectrales à une résolution spatiale limitée, mais avec une grande finesse spectrale ce qui permet d’identifier et de quantifier précisément les ions et molécules en présence. De plus en plus, cette modalité est couplée avec de la microscopie à fluorescence (IF), qui permet d’identifier certaines populations de cellules, avec une résolution spatiale bien meilleure. Plusieurs travaux ont déjà été menés par Landry Blanc et ses collaborateurs, sur l’application de méthodes de clustering pour analyser conjointement ces données. L’utilisation d’autres techniques d’apprentissage non-supervisé permettra une fusion plus complète de ces deux modalités, c’est l’un des objectifs du projet ANR SpaCELLM porté par Landry Blanc et le sujet de cette thèse.

Encadrement et équipes d’accueil
Le ou la doctorant.e sera accueilli.e dans les deux équipes de recherche des encadrants de la thèse :
Le groupe ADO de l’ISAE-SUPAERO, qui mène des recherches en intelligence artificielle, avec une composante en traitement d’images et vision.
L’équipe MICA de l’IPBS, qui mène des recherches sur le rôle paracrine des adipocytes entourant les cancers dans la progression tumorale et d’identifier les mécanismes moléculaires impliqués en condition de poids normal et d’obésité. Elle étudie notamment les interactions cellulaires dans le microenvironnement tumoral par des techniques d’analyse spatiale et imagerie moléculaire.

Profil recherché
Nous recherchons un.e candidat.e titulaire d’un master recherche ou d’un diplôme d’ingénieur en science des données, traitement d’images, mathématiques appliquées et informatique. La qualité du parcours académique et la motivation pour la recherche appliquée seront déterminants. Une expérience ou des compétences en imagerie par spectrométrie de masse est également requise. Une expérience ou des compétences en biologie ne sont pas requises, mais il faut montrer un intérêt pour le domaine.

Contraintes et risques

Co-encadrement et travail sur 2 sites