Stage de Master en IA pour la microscopie biologique

Type de contrat : CDD Contexte et atouts du poste Le/La stagiaire recrutée sera intégré.e à l’équipe-projet OPIS, sous la responsabilité hiérarchique de la chef d’équipe Emilie Chouzenoux. Le projet s'effectuera en collaboration avec E. Chouzenoux et J.-C. Pesquet (OPIS), C. Lefort (XLIM, CNRS, Limoges), et le CHU de Limoges.  Le poste est proposé pour une durée de 5 à 6 mois, avec une grande flexibilité sur la date de démarrage. Il est initialement adapté pour un stage de fin d'études ou M2, mais est ouvert aux élèves ingénieurs en césure. Mission confiée La microscopie CARS (Coherent Anti-Stokes Raman Scattering) est une technique avancée d’imagerie optique non linéaire qui permet d’obtenir des informations vibrationnelles sur des échantillons biomédicaux sans marquage. L’utilisation de sources laser à très large spectre, dites « supercontinuum », permet d’explorer une large gamme de transitions vibrationnelles au sein de l’échantillon. Associée à une détection spectrale, la microscopie CARS multiplexée (M-CARS) produit des images hyperspectrales (HM-CARS), dans lesquelles chaque pixel contient un spectre de 1 024 points reflétant la composition chimique de l’échantillon. Grâce à cette approche, les partenaires du projet https://www.multi-opto-diag.fr/khi-malma-piq/ ont récemment démontré que la « zone muette » des spectres HM-CARS contient des informations permettant de discriminer les échantillons. Le potentiel biomédical de ces informations reste largement inexploré. Les méthodes actuelles d’analyse des données sont fastidieuses et présentent plusieurs difficultés pratiques et méthodologiques. L’objectif principal de ce stage est de développer des méthodes rapides, fiables et automatisées pour extraire des images HM-CARS des informations pertinentes pour la caractérisation des maladies musculaires. Le travail combinera des approches fondées sur l’intelligence artificielle et des méthodes d’optimisation, notamment en formulant le démélange spectral comme un problème inverse et en développant des algorithmes avancés d’optimisation proximale pour le résoudre. Principales activités • Comprendre les principes de l’imagerie HM-CARS et les enjeux du traitement des données pour la caractérisation des maladies musculaires. • Explorer la base de données et mettre en place les prétraitements adaptés. • Formuler le démélange spectral comme un problème inverse et développer des méthodes de résolution fondées sur l’optimisation proximale. • Développer des approches d’apprentissage supervisé pour exploiter les informations spectrales et spatiales des images. • Évaluer et comparer les méthodes proposées en termes de précision, de robustesse et de temps de calcul. • Rédiger des rapports scientifiques et présenter les résultats obtenus. • Participer aux réunions scientifiques avec les partenaires du projet. Compétences • La maîtrise du langage de programmation Python et de l'environnement PyTorch ou TensorFlow est nécessaire. • Une expérience dans le domaine de l’apprentissage automatique / réseaux de neurones est fortement recommandée. • Il est nécessaire d'avoir validé un cours en optimisation mathématique. Inria, l'institut national de recherche dans les sciences et technologies du numérique, est en appui de l’État pour les stratégies nationales de recherche et d’innovation du numérique en tant qu'Agence de programmes. Inria mène plus de 300 projets de recherche et d’innovation avec ses 3500 scientifiques, ingénieurs et personnels d’appui, en partenariat avec les universités et l’écosystème numérique (entreprises, entrepreneurs, acteurs publics). Ensemble, nous explorons des domaines clés comme l'intelligence artificielle, la cybersécurité, l’informatique quantique, le Cloud, la transformation numérique de la santé, les jumeaux numériques ou encore les technologies numériques pour la défense. Nous construisons des solutions concrètes telles que des logiciels, des startups technologiques, des partenariats avec les entreprises du tissu national et des formations de pointe. Notre objectif : l’impact scientifique, technologique et industriel au service de la souveraineté numérique de la France.