STAGE - Ingénieur(e) de recherche : Segmentation d’ultrasons avec renforcement de la cohérence temporelle par deep learning (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

La segmentation des séquences échographiques est généralement effectuée image par image. Cette procédure ne garantit pas la cohérence temporelle entre les masques obtenus pour les différents pas de temps. Ce manque de cohérence peut conduire à des indicateurs cliniques extraits incorrects, tels que le Global Longitudinal Strain ou encore la fraction d’éjection du coeur. Les travaux actuels visent à surmonter ce problème soit en mettant en œuvre des modèles d'apprentissage profond qui génèrent une segmentation temporellement cohérente de manière directe [1], soit en segmentant image par image et en forçant la cohérence temporelle des masques en post-traitement [2].

Le stagiaire dans ce travail doit :

• Effectuer un état de l'art sur les modèles actuels de segmentation par apprentissage profond applicables à l'imagerie médicale, notamment l'imagerie par ultrasons.
• Selection des modèles pertinents et implémentation de ceux-ci.
• Evaluer les modèles implémentés via des métriques de segmentation ainsi que des métriques cliniques pertinentes et les comparer à l'état de l'art.

[1] MemSAM Taming Segment Anything Model for Echocardiography Video Segmentation, Deng, Xiaolong; Wu, Huisi; Zeng, Runhao; Qin, Jing, CVPR, 2024 

[2] Echocardiography Segmentation with Enforced Temporal Consistency, Nathan Painchaud, Nicolas Duchateau, Olivier Bernard, and Pierre-Marc Jodoin, IEEE TRANSACTIONS ON MEDICAL IMAGING, 2022