Ingénieur R&D en vision par ordinateur et IA pour l’imagerie médicale

Ingénieur F/H R&D en vision par ordinateur et IA pour l’imagerie médicale

Le projet ReImaging vise à développer un dispositif médical fondé sur l’intelligence artificielle pour suivre en temps réel l’anatomie du patient en 3D au cours d’interventions cardiovasculaires. Pour atteindre cet objectif, il mobilise des méthodes de vision par ordinateur et d’apprentissage profond, en lien étroit avec l’expérimentation clinique. En levant des verrous techniques majeurs, l’objectif du projet est de déployer en salle d’opération une solution de visualisation augmentée pour sécuriser et faciliter les interventions guidées par rayons X.

Le projet est développé au sein de l’équipe MIMESIS, spécialisée dans les interventions assistées par ordinateur, l’analyse d’images médicales, l’intelligence artificielle et la biomécanique. Il s’inscrit également dans une démarche de création de start-up visant à poursuivre le développement de cette technologie jusqu’à un dispositif médical utilisable en clinique. Le poste s’inscrit dans une phase de transition entre recherche académique et création d’entreprise, avec la perspective d’une poursuite au sein de la future start-up.

Le poste proposé porte sur l'amélioration et la validation des algorithmes nécessaires au suivi et à la visualisation de l’anatomie pendant l’intervention. La personne recrutée travaillera sur les modèles d’apprentissage profond, les méthodes de traitement d’images, les données d’entraînement et les protocoles d’évaluation. Elle préparera également les modèles pour leur exécution en temps réel sur une plateforme d’intelligence artificielle embarquée. Ce portage comprendra la conversion, la quantification, le profilage et la validation des modèles.

Atouts

Autonomie importante pour explorer des problèmes scientifiques encore ouverts, proposer de nouvelles approches et les évaluer expérimentalement.

Travail sur l’ensemble de la chaîne algorithmique, de la conception et l’entraînement des modèles jusqu’à leur intégration et leur exécution en temps réel.

Accès à des problématiques et données issues de l’imagerie interventionnelle, et échanges directs avec chercheurs, ingénieurs et équipes cliniques.

Possibilité de valoriser les résultats par des publications scientifiques et de les présenter dans des conférences internationales.

Ce projet s’inscrit dans une démarche de création de start-up, et le poste pourra se poursuivre en entreprise.

La personne recrutée travaillera à résoudre plusieurs problèmes encore ouverts dans le projet, notamment le suivi de structures anatomiques et le recalage 2D-3D. Elle disposera d’une autonomie importante pour analyser les limites des approches existantes, proposer de nouvelles méthodes et concevoir les expériences permettant de les évaluer.

Elle contribuera à la constitution et à l’exploitation des données, notamment par leur préparation, leur génération et leur augmentation, ainsi que par l’analyse des écarts entre les différents jeux de données. Une attention particulière sera portée à la robustesse face aux changements de patient, d’angle de vue, d’équipement et de conditions d’acquisition.

Elle préparera les modèles retenus pour le moteur d’inférence de la plateforme cible. Ce travail inclura l’export, l’adaptation des opérateurs, la quantification des modèles ainsi que la mesure du temps d’inférence et de l’occupation mémoire, avec pour objectif de respecter le budget de latence global de la chaîne de traitement.

Intégrée dans l’équipe MIMESIS, elle participera à la validation expérimentale des méthodes et à la valorisation scientifique des résultats, notamment par la rédaction de publications et la présentation des travaux lors de conférences internationales.

• Développer et évaluer des méthodes de segmentation, suivi, recalage 2D-3D et estimation de déformations à partir de séquences d’images rayons X interventionnelles.

Construire et exploiter les jeux de données nécessaires à l’apprentissage et à l’évaluation.

Définir des protocoles d’évaluation, conduire des études d’ablation, analyser les cas d’échec.

Améliorer la généralisation des modèles aux variations de données.

Exporter et optimiser les modèles pour le moteur d’inférence de la plateforme cible, en respectant les contraintes de précision et de latence.

Produire du code testé, reproductible et documenté, puis intégrer les composants algorith