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.

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.

• 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.

• 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.

• Restauration subventionnée
• Transports publics remboursés à hauteur de 75%
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d’autorisations d’absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d’Inria)
• Accès à la formation professionnelle

Gratification