Ingénieur en Deep Learning pour la Prédiction Non Invasive de Structures Subcellulaires dans les Ovocytes par Microscopie de Phase. H/F CNRS

Ce projet vise à développer des méthodes d'apprentissage profond génératif pour prédire des marqueurs fluorescents - tels que noyau, chromosomes et organelles - à partir d'images de microscopie de phase d'ovocytes de souris et humains, sans recours à des marqueurs invasifs. L'objectif final est de proposer une approche non invasive permettant d'évaluer la qualité des ovocytes à partir de leur organisation interne et de leur masse sèche, un paramètre essentiel pour prédire leur potentiel de développement.
L'ingénieur recruté sera en charge de la conception, du développement et de l'évaluation d'un modèle génératif conditionnel basé sur des modèles de diffusion pour la traduction d'images (transmission fluorescence). Il participera activement à la constitution et au prétraitement des jeux de données (microscopie de phase et fluorescence), à leur structuration pour l'apprentissage et à l'optimisation des architectures profondes. Il mettra en oeuvre des stratégies d'inversion de diffusion pour reconstruire les structures subcellulaires, et développera des outils de visualisation, d'interprétation et de validation quantitative. Il contribuera à l'analyse des résultats, à l'évaluation de la précision des reconstructions et à la combinaison des mesures d'organisation et de masse sèche pour produire un diagnostic complet. Enfin, il participera à la mise en place d'outils reproductibles et à la documentation du pipeline afin de faciliter le transfert de la méthodologie vers les applications cliniques en collaboration avec les partenaires hospitaliers.

Activités
- Développement et entraînement d'un modèle génératif conditionnel (diffusion) pour la traduction d'images.
- Préparation et gestion de jeux de données d'images appariées ou non.
- Implémentation de méthodes d'inversion pour la reconstruction d'images.
- Évaluation des performances du modèle sur jeux de tests (précision, similarité, classification).
- Collaboration étroite avec biologistes et ingénieurs en microscopie.
- Documentation et diffusion du code dans un environnement reproductible.

Compétences
- Excellente maîtrise du Deep Learning (PyTorch ou TensorFlow)
- Connaissance des modèles génératifs (GAN, Diffusion Models)
- Expérience en traitement et analyse d'images
- Intérêt pour la biologie cellulaire et les approches interdisciplinaires
- Esprit d'équipe et rigueur scientifique
Atouts : expérience en apprentissage auto-supervisé, interprétabilité de modèles, visualisation de données biologiques.

Contexte de travail

Le laboratoire de bioimagerie computationnelle et bioinformatique (équipe d'Auguste Genovesio) compte une dizaine de chercheurs et ingénieurs spécialisés dans l'application de l'IA à la biologie. L'équipe développe des modèles profonds multimodaux et génératifs pour quantifier et prédire des phénomènes cellulaires complexes à partir d'images. Le projet s'inscrit dans une collaboration étroite avec le laboratoire de biologie du développement de Marie-Hélène Verlhac (CIRB), expert en ovogenèse, garantissant une synergie entre approche computationnelle et validation expérimentale.
Le laboratoire de bioimagerie computationnelle et bioinformatique (équipe d'Auguste Genovesio) compte une dizaine de chercheurs et ingénieurs spécialisés dans l'application de l'IA à la biologie. L'équipe développe des modèles profonds multimodaux et génératifs pour quantifier et prédire des phénomènes cellulaires complexes à partir d'images. Le projet s'inscrit dans une collaboration étroite avec le laboratoire de biologie du développement de Marie-Hélène Verlhac (CIRB), expert en ovogenèse, garantissant une synergie entre approche computationnelle et validation expérimentale.

Contraintes et risques

Travail sur ordinateur
Travail sur ordinateur