Lieu : Institut Daniel Hollard · Contrat : Stage · Rémunération : Gratification minimum €
Le Groupe Hospitalier Mutualiste de Grenoble est un Établissement de Santé Privé d’Intérêt Collectif (ESPIC) à but non lucratif, participant au service public hospitalier depuis plus de 60 ans. Deuxième acteur de santé en Isère, il offre environ 436 lits et places, répartis dans les 6 instituts qui composent le groupement hospitalier : chirurgie, médecine, cardiovasculaire, soins non programmés, urgences, femme et nouveau-né.
Contexte et description générale :
La radiothérapie connectome-informée est un concept émergent visant à intégrer la connaissance du réseau structural cérébral (connectome) dans la planification des traitements.
Les travaux du Pr. Hugues Duffau et d’autres pionniers ont montré l’importance clinique du maintien des voies de substance blanche impliquées dans les fonctions cognitives et psychomotrices. Pourtant, en pratique, les atlas standards utilisés en radiothérapie ne représentent pas ces faisceaux, et les contraintes de dose qui leur sont associées restent largement méconnues.
L’objectif de ce projet est de poser les bases d’un nouveau paradigme de radiothérapie cérébrale en développant un outil de segmentation automatique des faisceaux de matière blanche utilisable dans les workflows cliniques.
Ce travail constitue une étape préparatoire à une future thèse de sciences portant sur la radiothérapie connectome-informée, dont la finalité serait de relier la dose déposée dans les réseaux cérébraux aux effets neurocognitifs et neurofonctionnels observés.
Objectifs du stage :
Le stage vise à développer et valider un pipeline de segmentation automatique des faisceaux de substance blanche adapté à la pratique de la radiothérapie.
Les principales étapes prévues sont :
1- Revue de l’état de l’art : tractographie IRM de diffusion, atlas de connectivité, segmentation automatique existante (TractSeg, FSL, MRtrix, etc.).Analyse statistique exploratoire : étude des distributions, corrélations temporelles et métriques Precision/Rappel pour différentes classes de pannes.
2- Construction du jeu de données : IRM de diffusion, CT et/ou IRM morphologique co-enregistrées, issus de cohortes anonymisées.
3- Entraînement d’un modèle de deep learning (type RNN ou U-Net 3D) pour la segmentation automatique des faisceaux sur CT ou IRM.
4- Validation anatomique et dosimétrique : comparaison avec des atlas neuroanatomiques de référence et intégration dans un plan de radiothérapie test.
5- Perspectives cliniques : relier les contraintes de dose dans ces structures aux fonctions neurologiques ou aux scores de questionnaires neurocognitifs disponibles.
Une approche complémentaire pourra consister à estimer les paramètres de tolérance tissulaire (n, m, TD50) de ces structures à partir des histogrammes dose-volume (HDV), en vue de futures modélisations NTCP connectome-spécifiques.
Compétences développées au cours du stage :
• Traitement d’images IRM de diffusion et tractographie.
• Deep learning appliqué à la segmentation 3D (PyTorch).
• Analyse dosimétrique et radiothérapie cérébrale.
• Intégration multi-modale IRM/CT et prétraitement des données médicales.
• Initiation à la connectomique et à la radiothérapie guidée par les réseaux cérébraux.
Perspectives :
Ce stage constitue une étape préparatoire à un projet de thèse visant à développer un référentiel connectomique pour la radiothérapie cérébrale, et à explorer expérimentalement le concept de radiothérapie “connectome-informée”, une approche innovante à fort potentiel de recherche translationnelle entre la neuro-imagerie et la physique médicale.
Le candidat doit être un Ingénieur Informatique / Data Scientist spécialisé en Deep Learning 3D pour l'Imagerie.
1. 🥇 Maîtrise Technique (Critère Absolu)
Deep Learning / PyTorch : C'est la compétence centrale. Le candidat doit être opérationnel immédiatement dans l'entraînement de modèles de segmentation 3D (U-Net, ou variantes).
Programmation Scientifique (Python) : Solide expertise Python pour le pipeline complet (prétraitement, modélisation, validation).
Traitement d'Images 3D : Savoir manipuler efficacement de grands volumes de données 3D (IRM, CT, DICOM) avec des librairies adéquates (NiPy, SimpleITK, etc.).
2. 🎯 Compétences de Domaine (Critère Souhaitable/Acquis Rapide)
Gestion des Données Médicales : Capacité à gérer les formats DICOM (pour le parsing des images et des plans de dose) et le co-enregistrement multi-modal (IRM/CT).
Bases d'Imagerie Neuro : Une familiarité avec l'IRM de diffusion et la notion de tractographie est un avantage (pour comprendre le input), mais la compréhension des méthodes de segmentation IA est prioritaire sur la connaissance anatomique approfondie.
3. 💼 Qualités Personnelles
Développeur Autonome : Capacité à transformer les besoins cliniques (définis par l'équipe d'accueil) en une solution logicielle stable et un pipeline de segmentation robuste.
Rigueur dans le Data Set : Sens aigu de la qualité des données et de leur préparation (construction du jeu de données pour l'IA).
En résumé : On cherche un expert en IA capable de construire l'outil technique qui servira de fondation à la thèse du médecin. L'expertise en radiothérapie sera fournie par l'encadrement. Vous ne cochez pas toutes les cases? Postulez quand même, nous vous recevrons avec plaisir!
Envoyer un CV à dimitri.reynard@avec.fr avec un petit mail de présentation.