STAGE - Ingénieur(e) de recherche : Physics-informed ML pour l’estimation régionale de la contraction tissulaire cardiaque (H/F)

Dans le contexte d’un consortium, l’organisation “Virtual Twin for Human” de Dassault Systèmes créé des prototypes logiciels pour soutenir l’évolution des pratiques médicales basées sur l’utilisation du jumeau virtuel. Vous ferez partie d’une équipe multidisciplinaire et dynamique, sur des sujets innovants. Vous participerez au processus de réflexion pour créer des représentations pertinentes de l’information à destination des patients et des équipes médicales, en collaboration étroite avec nos partenaires. 

Au sein de l’équipe « Cardiology Twin », vous travaillerez sur des projets dédiés à la modélisation et la simulation du cœur. Le jumeau virtuel du cœur d’un patient est personnalisé, descriptif et prédictif, évolue avec l’état de santé du patient, et permet de tester différents scénarios sur la progression de la maladie ou les options de traitement. Ce jumeau virtuel doit également être intégré dans un environnement protecteur pour les données du patient, et pouvoir être accessible aux praticiens. Dans ce contexte, le jumeau virtuel doit pouvoir être créé à partir d’imagerie médicale, simulable en fonction de différentes conditions de maladie et de traitement, et enfin être capable d’afficher des résultats pertinents pour le médecin. Dans un domaine compétitif et en rapide évolution comme celui des jumeaux virtuels du cœur, des innovations spécifiques doivent pouvoir être mises en place, notamment dans le domaine de la simulation numérique.

Vos missions

L'échographie est la modalité d'imagerie la plus utilisée en cardiologie. Elle est employée tout au long des phases de diagnostic, de traitement et de suivi. Cette préférence pour l'échographie s'explique par le fait qu'elle soit portable, moins cher et moins invasive par rapport à d'autres modalités d'imageries médicales. Le traitement de ces échographies permet de fournir des données topologiques et fonctionnelles en temps réel, notamment le champ de déformation ou de contraction du myocarde.  Ce champ de déformation permet ensuite de construire des modèles anatomiques et mécanistiques du cœur pour mieux évaluer l'état de l'organe et soutenir les thérapies potentielles. Cependant, les coûts computationnels de ces modèles restent très élevés, et l’assimilation des données est simplifiée et limitée en termes d'utilisation des données. 

Pour remédier à cela, il est possible d’accélérer la simulation et l'assimilation des données en faisant appel, par exemple, à des modèles de Physics-Informed Machine Learning (PIML) qui intègrent des éléments physiques et les données du patient. L'objectif est d'améliorer l'efficacité computationnelle par rapport aux méthodes de simulation classiques et d'offrir des performances désirables dans le contexte clinique pour soutenir le praticien.

Dans ce contexte, vos missions seront les suivantes : 

• Faire une analyse de l'état de l'art.
• Sélectionner une ou deux méthodes PIML pour notre application et nos données.
• Evaluer les performances des modèles et comparer les résultats obtenus à ceux de l'état de l'art.