Thèse Segmentation et Classification Cross-Modales des Structures Physiologiques dans les Images de Carcinomes Pancréatiques. H/F - 33

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Jenny BENOIS-PINEAU ORCID 0000000306598894
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

Le contexte de ce doctorat est un projet collaboratif entre le LaBRI et le BRIC (Institut d'oncologie de Bordeaux) soutenu par l'INSERM, le CNRS et l'Université de Bordeaux afin d'obtenir des données concrètes spécifiques sur les tissus cancéreux. Notre objectif global est de concevoir de nouvelles méthodes d'IA liées à la compréhension du cancer du pancréas, afin d'améliorer le pronostic.
Le diagnostic et le pronostic peuvent s'appuyer sur différentes modalités d'imagerie, et il n'existe actuellement aucune méthode automatique de segmentation intermodale des lésions cancéreuses, pourtant indispensable pour établir un pronostic fiable. Au cours de cette thèse, nous nous concentrerons sur deux modalités d'imagerie récemment largement utilisées pour l'analyse des tissus : l'imagerie par spectrométrie de masse (MSI), qui fournit des informations moléculaires précises, et l'imagerie par coloration à l'hématoxyline et à l'éosine (H&E), qui fournit des informations morphologiques. L'objectif sera de segmenter et de classer différentes structures physiologiques dans des coupes tissulaires qui sont des biomarqueurs du cancer du pancréas.
Les approches de segmentation s'appuient aujourd'hui fortement sur des modèles fondamentaux tels que SAM2 [1]. D'autre part, l'analyse intermodale est fortement influencée par la transformation d'images et de textes à l'aide de grands modèles visuels linguistiques (LLVM). Dans le cadre de ce doctorat, nous devrons intégrer différentes modalités d'images de résolution très variable et de grandes quantités de données pour chaque pixel.
Il est donc nécessaire, dans le cadre de ce doctorat, de développer de nouvelles approches inspirées de la segmentation SOA et des modalités croisées [2] ;

[1] Nikhila Ravi, Valentin Gabeur, Yuan-Ting Hu, Ronghang Hu, Chaitanya Ryali, Tengyu Ma, Haitham Khedr, Roman Rädle, Chloe Rolland, Laura Gustafson, Eric Mintun, Junting Pan, Kalyan Vasudev Alwala, Nicolas, « SAM 2: Segment Anything in Images and Videos », ICLR'2025
[2] Zhongwei Ren, Zhicheng Huang, Yunchao Wei, Yao Zhao, Dongmei Fu, Jiashi Feng, Xiaojie Jin, PixelLM: Pixel Reasoning with Large Multimodal Model, CVPR, page 26364-26373. IEEE, (2024)

Collaboration avec BRIC - U1312 INSERM (Bordeaux Institute of Oncology), CBMN UMR CNRS 5248

Développer les méthodes et algorithmes permettant de segmenter les patterns caractéristiques dans les images de la carcinome pancréatique

Segmentation avec les modèles de Fondation su rles données multi-modales de résolution variée.