Stagiaire ingénieur de recherche (H/F)
Transcription
Stagiaire ingénieur de recherche (H/F)
Stagiaire ingénieur de recherche (H/F) Nouveaux développements en mammographie 3D Mathématiques Appliquées ☐ Robotique/Mécanique Traitement d’images ☐ Physique des Rayons-X Développement Logiciel Traitement de gros volumes de données médicales ☐ Ingénieur Généraliste ☐ Electronique Au sein du siège européen de GE Healthcare à Buc (78), vous intégrerez l’équipe “Qualité Image Mammographie“ Système d’acquisition de mammographies 3D Station de revue GE Contexte : L’introduction des systèmes de mammographie tridimensionnelle amène le radiologue à analyser une information volumique nouvelle et riche par rapport aux mammographies 2D standard. Cependant, une période de transition sera nécessaire où le radiologue devra comparer des images 3D à des acquisitions 2D antérieures pour évaluer l’évolution d’une lésion potentielle. Pour cela GE a développé plusieurs méthodes permettant de comparer une séquence 3D à une image 2D. Une voie prometteuse consiste à analyser automatiquement le contenu des volumes afin d’y rechercher des signes de lésions potentielles. Le résultat de cette analyse est ensuite présenté sous forme bidimensionnelle. Le stagiaire explorera une combinaison de techniques de traitement d’images (extraction de caractéristiques) et d’apprentissage (Deep Learning) afin d’aller vers une détection automatique. Le deep learning a récemment connu des succès opérationnels historiques pour la reconnaissance visuelle, notamment avec les performances spectaculaires obtenues par les réseaux de neurones convolutifs (CNN) sur le challenge ImageNet 2012 [KSH12]. Les réseaux pré-entraînés sur ImagetNet constituent de plus des descripteurs (« features deep») état de l’art pour la plupart des tâches de reconnaissance visuelle, et ont récemment été appliqués dans le contexte de l’analyse d’images médicales, e.g. [TSG+16]. Une première partie du stage consistera à évaluer la performances des features deep génériques dans le contexte de la détection de lésions (opacités spiculées) en mammographie, et de les comparer aux descripteurs classiques issus de l’expertise du domaine (features frequentielles et orientées). Une seconde étape consistera à raffiner les features deep pour le cas des images radiologiques. Cette étape de «fine-tuning» nécessitera la prise en main de librairies pour entraîner les réseaux profond (Torch, Theano, TensorFlow), avec portage du code sur carte graphique (GPU). Enfin, en fonction de l’avancement, un dernier objectif du stage consistera à étudier la possibilité d’entraîner des modèles profonds dans un contexte d’apprentissage «faiblement supervisé» : par exemple chercher à localiser la tumeur avec une boîte englobante (ROI), à partir de modèles appris avec des labels globaux sur les images (e.g. présence / absence de la tumeur) [DTC15, DTC16]. [KSH12] A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25, pages 1106-1114., 2012. [DTC15] T. Durand, N. Thome, and M. Cord. MANTRA : Minimum Maximum Latent Structural SVM for Image Classification and Ranking. In International Conference on Computer Vision (ICCV), 2015. [DTC16] T. Durand, N. Thome, and M. Cord. WELDON : Weakly Supervised Learning of Deep Convolutional Neural Networks. In Computer Vision and Pattern Recognition (CVPR), 2016. [TSG+16] N. Tajbakhsh, J. Y. Shin, S. R. Gurudu, R. T. Hurst, C. B. Kendall, M. B. Gotway, and J. Liang. Convolutional neural networks for medical image analysis : Fine tuning or full training ? IEEE Transactions on Medical Imaging, PP(99) :1–1, 2016. Vos missions : Recherche bibliographique Collecte d’une base de données patients Évaluation des risques techniques liés au projet Développement algorithmique Profil du candidat : Master 2 / d’ingénieur dernière année d’école Apprentissage statistiques et mathématiques appliquées Développement : C/C++, python, matlab, utilisation de librairies modernes de deep learning (Torch, TensorFlow, Theano, etc) avec portage sur cartes graphiques (GPU) Traitement de l’image Autonomie, pragmatique Désirant continuer sur une thèse CIFRE Durée du stage : 6 mois Lieu : Buc (78 - proche de Versailles) Accès : - RER C / ligne N Contacts : Sylvain Bernard ([email protected]), Fanny Patoureaux ([email protected]), Nicolas Thome ([email protected])