Post-Doctorant Modélisation de la Croissance Tumorale Via l'Intelligence Artificielle en Irm Multimodale H/F CNRS

Le/la post doctorante recruté(e) travaillera sur la plateforme ultra haut champ du CHU de Poitiers au sein du laboratoire commun I3M (Laboratoire de mathématiques et Applications LMA CNRS 7348, université de Poitiers) dans le cadre du projet région MoGLIA. Ce projet porte sur la modélisation de la croissance tumorale. La croissance tumorale est un phénomène complexe, influencé par de nombreux facteurs biologiques, métaboliques et environnementaux. L'imagerie par résonance magnétique (IRM) morphologique est largement utilisée pour détecter et surveiller les tumeurs grâce à sa capacité à fournir des informations anatomiques détaillées. En complément, la spectroscopie par résonance magnétique (SRM) permet d'accéder à des marqueurs métaboliques in vivo, comme le lactate, offrant un aperçu unique de l'activité biochimique au sein des tissus tumoraux. L'exploitation conjointe de ces deux modalités pourrait significativement améliorer la prédiction de la progression tumorale, mais nécessite des outils capables d'intégrer, modéliser et interpréter cette richesse d'information. C'est dans ce contexte que les approches d'intelligence artificielle (IA), en particulier l'apprentissage profond (deep learning), présentent un potentiel considérable.
Activités
Ce projet de post-doctorat vise à développer un modèle prédictif de la croissance tumorale en s'appuyant sur des approches d'intelligence artificielle (IA) capables d'intégrer des données issues de l'IRM morphologique et de la SRM. L'objectif est d'extraire des biomarqueurs structuraux et métaboliques permettant une modélisation spatio-temporelle précise de l'évolution tumorale, à des fins de diagnostic, pronostic et de suivi thérapeutique personnalisé.
1. Développer des architectures d'apprentissage profond capables de combiner les données issues de l'IRM morphologique (T1, T2, FLAIR) et de la SRM (spectres métaboliques) pour une meilleure caractérisation des tumeurs.
2. Concevoir des modèles prédictifs de la croissance tumorale dans le temps, en intégrant des séries longitudinales IRM/SRM, avec des approches de type réseaux spatio-temporels (Transformers, ConvLSTM, etc.).
3. Identifier les métabolites clés (comme la choline, lactate, NAA, etc.) corrélés à la croissance ou à l'agressivité tumorale, et les intégrer dans les modèles prédictifs.
4. Assurer la transparence des modèles via des outils d'explicabilité (SHAP, attention maps) et valider les performances sur des bases de données cliniques annotées.

Compétences
Le/la candidat(e) devra idéalement posséder les compétences suivantes :
· Expérience en traitement d'images médicale, en particulier IRM
. Connaissance de la spectroscopie RM (ou volonté forte de s'y former rapidement).
Maitrise des techniques d'Intelligence artificielle et en apprentissage profond
. Maîtrise de Python, PyTorch/TensorFlow, et outils de visualisation médicale (e.g., 3D Slicer, ITK-SNAP, MONAI...).
· Maitrise des plateformes d'apprentissage profond Tensorflow/Pytorch/scikitlearn
· Anglais : haut niveau

Contexte de travail

Le candidat sélectionné travaillera en étroite collaboration avec des équipes multidisciplinaires comprenant des radiologues, des médecins et des ingénieurs pour valider et évaluer les méthodes développées. Les résultats obtenus seront comparés à des références cliniques/précliniques et interprétés de manière médicalement pertinente.
Le candidat sélectionné travaillera en étroite collaboration avec des équipes multidisciplinaires comprenant des radiologues, des médecins et des ingénieurs pour valider et évaluer les méthodes développées. Les résultats obtenus seront comparés à des références cliniques/précliniques et interprétés de manière médicalement pertinente.
Contraintes et risques

aucune contraintes
aucun risque
aucune contraintes
aucun risque