Apprentissage, classification d’images et Intelligence Artificielle générative pour l’aide au d[...]

Apprentissage, classification d’images et Intelligence Artificielle générative pour l’aide au diagnostic du mélanome à partir d’images de cartographie corporelle

Réf ABG-127280 - Stage master 2 / Ingénieur - Durée 6 mois - Salaire net mensuel 550
29/11/2024
Laboratoire LIS, UMR 7020
Lieu de travail: Marseille, Provence-Alpes-Côte d'Azur, France

Établissement recruteur

L’équipe « Images & Modèles » du laboratoire LIS est spécialisée dans l’analyse d’images, avec une partie de son activité portée sur la caractérisation des images par des techniques d’apprentissage et de classification.

Le LIS Laboratoire d’Informatique et Systèmes est une Unité Mixte de Recherche (UMR) sous tutelles du Centre National de la Recherche Scientifique (CNRS) rattachée à l’Institut des sciences de l’information et de leurs interactions, de l’Université d’Aix-Marseille et de l’Université de Toulon.

Description

Le mélanome est un problème majeur de santé publique en France. Avec 10 000 nouveaux cas par an occasionnant 1700 décès, il est considéré comme le cancer le plus grave parmi les cancers cutanés. Les nouveaux cas de mélanomes sont en augmentation annuelle de 5% depuis 50 ans. Cette augmentation est supérieure à celle de tout autres cancers. Si le diagnostic d'un mélanome est effectué précocement à un stade localisé, le taux de survie relative à 5 ans est de l'ordre de 88%; à contrario, la survie à 5 ans d’une personne atteinte d’un mélanome à un stade avancé, métastatique, est très inférieure à 20%.

Le dépistage précoce du mélanome est considéré comme étant la clé principale pour améliorer leurs pronostics. Mais cette opération reste difficile à réaliser car nécessitant une mise en place d'une politique de dépistage fréquent au sein de la population générale, impossible à réaliser actuellement compte tenu de la démographie médicale.

Les travaux de recherche menés précédemment dans l’équipe I&M ont montré que les classifieurs automatiques, basés sur des approches par apprentissage classique ou par réseaux de neurones convolutifs, sont aussi performants que les dermatologues pour le diagnostic du mélanome. De plus, ces approches pourraient s’appliquer à un nouveau système unique en France, le système VECTRA 3D installé au Centre de Dépistage Automatisé du Mélanome à l’hôpital de la Conception, permettant l’acquisition de l’ensemble des lésions cutanées pigmentées d’un individu.

L'objectif de ce stage sera de développer des algorithmes à partir de lésions cutanées pigmentées classées par patients issues de cartographie corporelle du système VECTRA 3D pour la détection automatisée du mélanome.

En première partie de stage, des algorithmes de classification binaires distinguant les lésions malignes (mélanomes) des lésions bénignes (naevus) seront développés. Différentes approches pourront être appliquées (apprentissage profond, clustering, apprentissage classique).

En deuxième partie de stage, un autre objectif sera d’améliorer la qualité de notre base de données en travaillant autour d’algorithmes fondés sur l’IA générative. L’objectif sera de développer des algorithmes d’intelligence artificielle générative permettant de générer des images artificielles pseudo dermoscopiques de l’ensemble des lésions cutanées d’un individu.

En fin de stage, la notion d'interprétabilité des résultats sera abordée afin de donner plus de sens aux prédictions de l'algorithme lors des classifications.

Références Bibliographiques :

[1] Robert C, Cavalcanti A, Kolb F, Sarfati B, Moya-Plana A, Tomasic G, Mateus C. Prise en charge du mélanome. Rev Prat 2014 ;64(1):75-80.

[2] C Gaudy-Marqueste, et al. Ugly Duckling Sign as a Major Factor of Efficiency in Melanoma Detection. JAMA Dermatol. 2017 Apr 1;153(4):279-284.

[3] Haenssle HA, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists, Ann Oncol. 29(8):1836-1842 (2018).

[4] A.C Foahom Gouabou, et al. Ensemble Method of Convolutional Neural Networks with directed acyclic graph using dermoscopic images: melanoma detection application, Sensors, June 2021.

[5] A.C Foahom Gouabou, et al. Computer Aided Diagnosis of Melanoma Using Deep Neural Networks and Game Theory: Application on Dermoscopic Images of Skin Lesions, International Journal of Molecular Sciences, Nov 2022.

[6] J.Collenne, et al. Fusion between an Algorithm based on the characterization of melanocytic lesions asymmetry with an ensemble of convolutional neural networks for melanoma detection. Journal Investigative of Dermatology, 2024, (IF 6.5).

[7] J.Monnier, et al. Automated melanoma detection. An algorithm inspired from human intelligence characterizing disordered pattern of melanocytic lesions improving a convolutional neural network. Journal of the American Academy of Dermatology, 2024.

[8] M. Saeed, et al. The Power of Generative AI to Augment for Enhanced Skin Cancer Classification: A Deep Learning Approach, IEEE Access, vol. 11, pp. 130330-130344, 2023.

Profil

• Formation de Master 2 recherche ou école d’ingénieur en informatique;
• Maîtrise de l’apprentissage automatique et compétences avancées en vision par ordinateur;
• Excellentes compétences en programmation (Python);
• Passion et rigueur, intérêt pour la recherche.

Prise de fonction

Dès que possible.