Deep Learning Pour L’analyse D’images 4d

**Deep learning pour l’analyse d’images 4D (espace + temps) de microscopie confocale de la déconstruction de biomasses végétales**:

- Réf **ABG-133980**
- Stage master 2 / Ingénieur
- Durée 6 mois
- Salaire net mensuel 630 euros
- 22/10/2025
- UMR INRA/URCA FARE 0614
- Lieu de travail- Reims Grand Est France
- Champs scientifiques- Informatique
- Biotechnologie
- Mathématiques
- Mots clés- Lignocellulose, caractérisation, lignine, microscopie, fluorescence, traitement d’images, deep learning- 05/12/2025

**Établissement recruteur**:
**Site web**:
Découvrir les mécanismes et outils de la Nature pour utiliser au mieux le carbone renouvelable et contribuer ainsi au développement durable, telle est l’ambition de l’Unité Mixte de Recherche FARE (Fractionnement des AgroRessources et Environnement).

Notre mission dans le réseau des laboratoires de nos tutelles INRAE et URCA est de travailler sur trois points clés de la transformation biologique et/ou technologique des biomasses végétales lignocellulosiques, pour des usages non alimentaires:

- la dégradation au champ des lignocelluloses (résidus de culture, litières) par les microorganismes du sol, pour assurer le maintien de sa fertilité et favoriser les services écosystémiques garants d’une production agricole durable (gestion des intrants, cycles du C et de l’N, ) ;
- le fractionnement par des procédés biotechnologiques enzymatiques ou microbiens des lignocelluloses, pour la production de molécules d’intérêt pour la chimie et l’énergie, en respectant les principes d’une chimie verte (bioéthanol 2G, molécules tensio-actives à base de sucres, ) ;
- l’utilisation de fibres et de polymères agrosourcés, pour la réalisation de matériaux nanostructurés innovants aux propriétés optiques inédites (films et revêtements de protection) et de matériaux composites aux performances d’usage et environnementale particulièrement favorables (légèreté, recyclabilité, biodégradabilité, ).

**Description**:
**Contexte**

La production de biomolécules de 2e génération (issues de la biomasse lignocellulosique, BL) est un domaine avec un fort potentiel à travers l’avènement d’une bioéconomie soutenable. Divers procédés biotechnologiques sont utilisés pour la conversion de la lignocellulose. L’approche standard implique un prétraitement initial de la BL, suivi d'une hydrolyse enzymatique, appelée saccharification. L'un des principaux défis pour améliorer la libération des sucres fermentescibles est de comprendre et surmonter la résistance de la BL à la déconstruction, connue sous le nom de récalcitrance, qui contribue de manière significative aux coûts élevés des produits dérivés de la BL.

Alors que de nombreux efforts de recherche ont permis d’identifier divers marqueurs de récalcitrance à l'échelle nanométrique, la pertinence et l'importance de l'étude quantitative de l'hydrolyse enzymatique à des échelles plus grandes, cellulaires et tissulaires, n’ont été démontrées que récemment. En particulier, le laboratoire FARE a développé un pipeline d'imagerie 4D (espace+temps) incluant la microscopie confocale de fluorescence et des outils innovants de traitement d'images pour suivre et quantifier la déconstruction de la paroi cellulaire à ces échelles. Un des principaux défis de l’analyse quantitative de la déconstruction de la BL, à partir d’images de microscopie 4D, est la segmentation précise et le suivi des cellules individuelles, notamment à cause de la perte de l’intégrité des parois cellulaires au cours de ce procédé. Ces dernières années, le Deep Learning (DL) a surpassé les techniques conventionnelles de traitement d'images dans des tâches telles que la segmentation et le suivi d'objets. Cela est en particulier dû au fait que les approches traditionnelles de segmentation d'images nécessitent un réglage des paramètres spécifiques à l'expérience, tandis que les modèles de DL sont adaptatifs et entraînables.

Forts de ce constat, nous proposons d’utiliser des modèles de DL à l’aide de Réseaux de Neurones Convolutifs (CNN), pour les étapes de segmentation et de suivi des cellules.

**Mission du stagiaire**

L’objectif est de capitaliser les séquences obtenues à partir des images 3D acquises à différents temps de l’hydrolyse enzymatique, pour chacun des échantillons de BL analysés. Nous avons déjà développé un pipeline de segmentation des cellules de BL basé sur le modèle PyTorch 3D U-Net de (Wolny 2020) et vérifié son efficacité sur les images pré-hydrolyse de biomasses de peuplier. Cependant, l’utilisation de modèles basés sur le DL pour l’analyse de l’hydrolyse enzymatique fait face à la même difficulté que les algorithmes classiques : les cellules ne peuvent pas être clairement séparées à cause de la déconstruction des tissus végétaux de la BL. La mission de la personne recrutée consiste à implémenter un pipeline basé sur le DL, pour la segmentation d’images 4D, qui conserve sa pertinence au cours de l’hydrolyse enzymatique.

Dans ce cadre, le premier objectif consiste à propager