Postdoc - Reconstruction Pseudo-Saine d'Images Tep Fdg Cérébrales pour la Détection Automatique d'Anomalies dans l'Épilepsie H/F

CNRS

Description du Poste Les Missions Le/la postdoctorant(e) aura pour mission d'appliquer, de valider et d'évaluer un ensemble de méthodes complémentaires de détection d'anomalies sur des images TEP FDG cérébrales, avec un focus particulier sur la détection de zones d'hypométabolisme liées à l'épilepsie dans le contexte de l'épilepsie pharmaco-résistante. L'Activité Contexte scientifique et activitésL'imagerie TEP dans l'épilepsie pharmaco-résistanteLa TEP au 18F-fluorodésoxyglucose (FDG) est devenue une modalité clé dans le bilan pré-chirurgical de l'épilepsie pharmaco-résistante, car elle permet de révéler des zones d'hypométabolisme cérébral associées aux zones épileptogènes. En pratique clinique, cependant, les images TEP sont analysées visuellement, et la sensibilité ainsi que la spécificité de cette approche dépendent fortement de l'expérience de l'observateur. Les anomalies chez les patients épileptiques sont souvent subtiles et spatialement diffuses, ce qui les rend particulièrement difficiles à identifier de manière fiable. Il existe donc un besoin clinique fort pour des outils automatisés et fondés sur les données, capables de localiser objectivement ces anomalies et d'aider à la planification chirurgicale.Reconstruction pseudo-saine pour la détection d'anomaliesNotre équipe a développé une famille de méthodes de détection d'anomalies reposant sur la construction d'une image pseudo-saine spécifique au sujet : lors de l'inférence, l'image du patient est comparée à sa reconstruction pseudo-saine, produisant une carte d'anomalies mettant en évidence les zones qui s'écartent de ce qui serait attendu en l'absence de pathologie. Dans le contexte de l'épilepsie pharmaco-résistante, de telles cartes pourraient aider les cliniciens à mieux localiser les zones épileptogènes et, in fine, améliorer la prise en charge des patients.Approches par recalage et fusion. Les approches voxelwise traditionnelles recalent l'image TEP du sujet dans un espace standard et la comparent à une population de sujets contrôles à l'aide de z-scores. Leur sensibilité est toutefois limitée par la variabilité interindividuelle de la fixation du traceur dans les régions non pathologiques. Pour y remédier, des approches spécifiques au sujet ont été proposées, consistant à recaler plusieurs sujets contrôles sains vers le sujet cible et à les combiner par fusion d'images afin de créer un modèle d'apparence saine [1]. Bien que ces méthodes soient devenues moins courantes en raison de préoccupations liées à leur vitesse et leur précision, les récentes avancées en matière de recalage basé sur l'apprentissage profond ont amélioré ces deux aspects, rendant pertinente leur réévaluation. Des travaux récents au sein de notre équipe ont démontré le potentiel de cette stratégie de recalage modernisée pour la synthèse d'images FDG TEP pseudo-saines [2].Approches par modèles génératifs profonds. Les approches plus récentes de détection d'anomalies utilisent des modèles génératifs profonds capables de reconstruire directement des images pseudo-saines. Une étude comparative de variants de VAE pour la reconstruction pseudo-saine d'images TEP FDG cérébrales 3D a établi que cette approche est réalisable même avec de petits ensembles d'entraînement [3]. Des travaux ultérieurs ont abordé des défis méthodologiques clés, notamment l'impact de la variabilité des modèles sur la fiabilité de la détection [4], un compromis fondamental entre la qualité de reconstruction et les performances de détection d'anomalies [5], ainsi que des stratégies d'optimisation du code latent à l'inférence pour produire des reconstructions à la fois d'apparence saine et spécifiques au sujet [6].Objectifs du post-doctoratEn s'appuyant sur ces travaux, le/la postdoctorant(e) appliquera, évaluera et comparera ces approches complémentaires de détection d'anomalies - fondées respectivement sur le recalage d'images et sur les modèles génératifs - sur des données TEP FDG de patients atteints d'épilepsie pharmaco-résistante, en étroite collaboration avec des cliniciens de l'hôpital Pitié-Salpêtrière. Les cartes d'anomalies générées seront évaluées pour leur capacité à localiser les zones épileptogènes et à soutenir la planification chirurgicale, à partir de jeux de données publics et de données cliniques gérées localement.Références[1] Burgos, N., Cardoso, M. J., Samper-González, J., Habert, M.-O., Durrleman, S., Ourselin, S., & Colliot, O. (2021). Anomaly detection for the individual analysis of brain PET images. Journal of Medical Imaging, 8(2), 024003. https://doi.org/10.1117/1.JMI.8.2.024003[2] Krause, M., Roy, H., & Burgos, N. (2026). Pseudo-healthy FDG PET synthesis: Revisiting a registration and fusion approach with deep learning. OHBM 2026. https://inria.hal.science/hal-05698660[3] Hassanaly, R., Solal, M., Colliot, O., & Burgos, N. (2025). Benchmarking 3D generative autoencoders for pseudo-healthy reconstruction of brain 18F-fluorodeoxyglucose positron emission tomography. Journal of Medical Imaging, 12(5), 054005. https://doi.org/10.1117/1.JMI.12.5.054005[4] Solal, M., André, P., & Burgos, N. (2026). Unsupervised anomaly detection in brain FDG PET with deep generative models: An experimental analysis of model variability and mitigation strategies. Medical Imaging 2026: Image Processing, 13925, 32-50. https://doi.org/10.1117/12.3083687[5] Senellart, A., Solal, M., Allassonnière, S., & Burgos, N. (2026). Mitigating the reconstruction-detection trade-off in VAE-based unsupervised anomaly detection. 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 1-5. https://doi.org/10.1109/ISBI61048.2026.11516028[6] Solal, M., Senellart, A., Burgos, N., & Allassonnière, S. (2026). Latent maximum-a-posteriori approach to improve pseudo-healthy reconstruction quality. OHBM 2026. https://hal.science/hal-05560394 Votre Profil Compétences - Doctorat en analyse d'images médicales, informatique, mathématiques appliquées ou domaine connexeExpertise en détection d'anomalies par modèles génératifs profonds (VAE notamment) et/ou recalage d'images- Programmation Python et PyTorch- Expérience en neuro-imagerie cérébrale 3D, en particulier TEP FDG- Bonnes capacités de communication et de travail en équipe interdisciplinaire- Maîtrise de l'anglais requise Votre Environnement de Travail Vous travaillerez au sein de l'équipe ARAMIS (www.aramislab.fr) de l'Institut du Cerveau (https://institutducerveau-icm.org), l'un des meilleurs instituts de recherche en neurosciences au monde. L'institut est idéalement situé au coeur de l'hôpital de la Pitié-Salpêtrière, au coeur de Paris. L'équipe ARAMIS, qui fait également partie d'Inria (l'Institut national de recherche en sciences et technologies du numérique), se consacre au développement de nouvelles approches pour l'analyse de grands jeux de données cliniques et de neuroimagerie. Vous interagirez localement avec les doctorants, les post-doctorants et les ingénieurs de l'équipe, ainsi qu'avec nos collaborateurs de l'hôpital de la Pitié-Salpêtrière. Vous interagirez également avec les chercheurs de PR[AI]RIE, l'Institut Interdisciplinaire d'Intelligence Artificielle de Paris (https://prairie-institute.fr). L'équipe d'encadrement sera composée de Ninon Burgos, directrice de recherche CNRS et co-responsable de l'équipe ARAMIS. Rémunération et avantages Rémunération Entre 3300€ et 4200€ bruts mensuels selon expérience Congés et RTT annuels 44 jours Pratique et Indemnisation du TT Pratique et indemnisation du TT Transport Prise en charge à 75% du coût et forfait mobilité durable jusqu'à 300€ À propos de l'offre Référence de l'offre UMR7225-NINBUR-009 Section(s) CN / Domaine de recherche Sciences informatiques : signaux, images, langues, automatique, robotique, interactions, systèmes intégrés matériel-logiciel À propos du CNRS Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d'associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement. Le CNRS Les métiers de la recherche