Doctorant.e en problèmes inverses pour les images biomédicales (H/F)

Sujet de thèse :
Le cancer du sein est le plus répandu chez les femmes dans le monde et une cause majeure de mortalité. Une détection précoce est essentielle à la survie des patientes. Cela motive des campagnes de dépistage à grande échelle, qui reposent principalement sur la mammographie par rayons X. Au cours des dernières années, la recherche a élargi ses objectifs au-delà de la simple détection des tumeurs et consacre désormais beaucoup d’efforts à l’évaluation du risque de cancer du sein, afin de renforcer la surveillance des femmes présentant un risque plus élevé. On sait depuis des décennies que les motifs parenchymateux visibles sur les mammographies reflètent ce risque. Pourtant, identifier les motifs à risque dans les images de rayons X reste très difficile, même pour des radiologues expérimentés, car l’aspect visuel des tissus denses sains et des tissus dégradés peut être très similaire, ce qui complique leur discrimination précise à l’œil nu.

Des travaux récents ont montré que la dégradation du microenvironnement, qui entrave la suppression des lésions émergentes et constitue ainsi un motif de risque important, peut être évaluée en analysant les propriétés d’auto-similarité des textures mammographiques. La principale limite de cette approche est que les propriétés d’auto-similarité sont très sensibles au bruit de mesure dans les mammographies par rayons X. Une observation précise des propriétés fines des textures mammographiques nécessite donc de débruiter les mammographies par rayons X tout en préservant l'auto-similarité.

L’objectif principal de cette thèse de doctorat est de développer des méthodes de débruitage non gaussien préservant les propriétés fractales des textures présentes dans l’image, dans le but d’analyser des mammographies par rayons X à travers le prisme de l’analyse multi-échelle. Le ou la doctorant·e explorera à la fois les approches basées sur des modèles et les approches orientées données pour le débruitage d’images. Il ou elle combinera ensuite des procédures d’optimisation et des techniques d’apprentissage profond afin d’obtenir des méthodes précises, robustes et interprétables.

Un sujet détaillé, en anglais, est disponible ici : https://uncloud.univ-nantes.fr/index.php/s/ZqrKQ54RdHQF79E.
Contexte :
Le ou la doctorant·e bénéficiera du soutien financier du projet UNGRAM, financé par l'ANR, pour participer à des ateliers et conférences, ainsi que de l’environnement scientifique riche du consortium UNGRAM, qui rassemble des chercheurs de Nantes, Vannes et Tours, ainsi que des collaborateurs internationaux aux États-Unis et en Italie. Il ou elle aura également l’opportunité de collaborer avec un·e postdoctorant·e ainsi qu’avec deux stagiaires à recruter dans le cadre du projet.

Le ou la candidat·e recruté·e sera employé·e par le Centre National de la Recherche Scientifique (CNRS) dans le cadre du projet ANR UNGRAM, porté par B. Pascal. Il ou elle intégrera
Voir plus sur le site emploi.cnrs.fr...