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])