STAGE - Ingénieur.e Recherche - Apprentissage profond pour la segmentation cardiaque et la génération d'images (F/H)

Dans le cadre d’un consortium, l’organisation « Virtual Twin for Human » de Dassault Systèmes développe des prototypes logiciels destinés à accompagner l’évolution des pratiques médicales fondées sur le jumeau virtuel.

Vous intégrerez une équipe multidisciplinaire et dynamique travaillant, en collaboration avec des partenaires médicaux, scientifiques et industriels, sur la conception et la restitution d’informations utiles aux patients et aux professionnels de santé.

Au sein de l’équipe « Cardiology Sciences », vous participerez à des projets consacrés à la modélisation et à la simulation du cœur. Le jumeau virtuel cardiaque vise à construire, à partir de données médicales et notamment d’imagerie, une représentation personnalisée, descriptive, évolutive et prédictive du cœur d’un patient.

Cette représentation doit permettre de décrire son état, de simuler différents scénarios d’évolution de la maladie et d’évaluer plusieurs options de traitement. Elle doit également pouvoir évoluer avec les nouvelles données disponibles au cours du suivi médical.

Ce jumeau virtuel doit pouvoir être créé à partir d’imagerie médicale et enfin être capable d’afficher des résultats pertinents pour le médecin.

Dans ce contexte, la segmentation automatique des structures cardiaques, et en particulier des valves cardiaques, est une étape clef. Toutefois, l'entraînement de modèles d'IA de segmentation est souvent freiné par la rareté des données annotées et les contraintes de confidentialité. La génération d'images synthétiques via l'IA constitue une réponse stratégique pour surmonter ces verrous en augmentant et diversifiant les jeux de données d'entraînement.

La segmentation précise des structures cardiaques (ex. ventricules, oreillettes, valves) à partir de différentes modalités d'imagerie (telles que le scanner/CT, l'IRM et l'échographie) constitue le socle de la création de jumeaux cardiaques avancés. Bien que les modèles d'apprentissage profond (deep learning) offrent d'excellentes performances, leur robustesse repose fortement sur le volume de données cliniques annotées disponibles lors de l'entraînement.

Vos missions

L'objectif de ce stage est de développer des pipelines d'apprentissage profond avancés dédiés à la génération d'images synthétiques par IA et à la segmentation multimodale des structures cardiaques. En combinant IA générative, approches d'entraînement modernes et méthodes de vision par ordinateur de l'état de l'art, vous contribuerez à concevoir des modèles capables de s'adapter à différentes anatomies et modalités d'imagerie, réduisant ainsi la dépendance aux annotations manuelles d'experts.

En tant que stagiaire, vos missions seront :

• Réaliser un état de l'art approfondi de l'IA générative appliquée à la création d'images médicales synthétiques et sur les dernières architectures de Deep Learning pour la segmentation multimodale.
• Explorer et implémenter des modèles d'IA avancés (ex. Generative Adversarial Networks, modèles de diffusion) afin de générer des jeux de données médicaux synthétiques réalistes dans différentes modalités.
• Concevoir, implémenter et entraîner des architectures de segmentation de l'état de l'art (ex. Convolutional Neural Networks (CNNs), Vision Transformers (ViTs)) à l'aide de jeux de données mixtes (combinaison de données de patients réels et de cohortes synthétiques).
• Étudier les techniques d'adaptation de domaine et de Parameter-Efficient Fine-Tuning (PEFT), ainsi que les approches de semi-supervised ou selfsupervised learning, pour garantir que les modèles entraînés sur peu de données ou des données synthétiques se généralisent à différents scénarios cliniques