Stage de M2

Contexte et motivation :

L'organisation des nervures dans la feuille joue un rôle fondamental pour les plantes en influençant le transport de l'eau et des nutriments. Leur organisation est également un marqueur morphologique essentiel pour l'identification taxonomique et l'étude des stratégies écologiques des plantes (Boyce
et al.
2009). La segmentation automatique de ces nervures est donc un enjeu majeur. Bien que la segmentation automatisée par
deep learning
a permis des progrès vis-à-vis des méthodes de classiques (
e.g.
seuillage), cette dernière reste difficile à mettre en place (Xu
et al.
2021). En effet, l'annotation manuelle pixel par pixel des nervures sur les données d'entrainements demande beaucoup de temps et une forte expertise. Des avancées notables ont été réalisées avec le
few-shot learning
via l'approche de Lagergren
et al.
Cette approche a permis de segmenter efficacement les nervures de milliers de feuilles de
Populus trichocarpa
à partir de seulement huit feuilles annotées. Le pipeline de Lagergren
et al.
(2023) est basé sur la croissance de régions avec un
Convolutional Neural Network
(CNN) itératif. Il constitue aujourd'hui une référence, bien qu'il soit limité à une seule espèce et ne prenne pas en compte explicitement les contraintes biologiques de la croissance des nervures. Simuler explicitement ces contraintes biologiques dans le «
Vein growing
CNN» de Lagergren
et al.
(2023) améliorerait la segmentation et la généralisation de la méthode.

Objectifs du stage :

L'objectif est de repartir des données et codes de Lagergren
et al.
(2023) disponible en libre accès (lien GitHub), afin d'enrichir leur
pipeline
par l'ajout de contraintes biologiques. Ceci pour améliorer la segmentation des nervures et en faire une approche généraliste (non limité à une espèce). Le
travail suivra trois étapes principales :

• Reproduction : Installer et exécuter le pipeline de Lagergren
  et al.
  (2023) sur leurs données de
  Populus trichocarpa
  , afin d'obtenir un point de comparaison clair.

• Adaptation : Modifier l'algorithme de croissance des nervures pour y inclure des contraintes biologiques (
  e.g.
  , orientation, courbure, conicité, degré des nœuds) et en évaluer l'impact sur la segmentation des nervures de
  Populus trichocarpa
  .

• Généralisation : Appliquer le pipeline de base et la nouvelle version à des jeux de données provenant d'autres espèces (
  e.g.
  scans d'herbiers, photo), afin de mesurer l'impact des contraintes biologiques sur la robustesse interspécifique.

Apports attendus :

(1)
Un benchmark comparatif entre la méthode originale et la version contrainte. (2) Des outils de segmentation plus biologiquement réalistes, capables de mieux capturer la hiérarchie des nervures. (3) Une réflexion sur l'extension des approches few-shot à un cadre multiespèces.

Références :

• Boyce, C.K., Brodribb, T.J., Feild, T.S. & Zwieniecki, M.A Angiosperm leaf vein evolution was physiologically and environmentally transformative.
  Proceedings of the Royal Society B: Biological Sciences
  , 276, 1771–1776.

• Lagergren, J., Pavicic, M., Chhetri, H.B., York, L.M., Hyatt, D., Kainer, D.,
  et al.
  Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in
  Populus trichocarpa
  .
  Plant Phenomics
  , 5, 0072.

• Xu, H., Blonder, B., Jodra, M., Malhi, Y. & Fricker, M Automated and accurate segmentation of leaf venation networks via deep learning.
  New Phytol
  , 229, 631–648.

Durée :

6 mois

Rémunération :

gratification d'environ 640€ par mois (dépend du nombre de jours travaillés par mois)

Période possible pour le stage :

entre début février 2026 et fin octobre 2026

Localisation du stage :

campus Saint-Priest de Montpellier dans l'équipe Iroko

Profil recherché :

• Compétences obligatoires

• maitrise de Linux

• bonne maitrise de Python
• solides bases en
  deep learning
  (PyTorch, TensorFlow ou équivalant)
• bonne connaissance de la
  computer vision
  et des approches de segmentation d'images

• maitrise de l'anglais pour la rédaction et la lecture d'articles scientifiques

• Les plus

• intérêt marqué pour l'interdisciplinarité

• notions en analyse morphologique ou en modélisation biologique
• connaissance en botanique ou en morphologie végétale
• exécution de scripts sur serveurs distants
• utilisation du terminal sous Linux

Encadrants :

-
Benjamin Bourel, chercheur en
Deep Learning
et en écologie à l'Inria dans l'équipe Iroko

• Jérôme Munzinger, chercheur en botanique et paléobotanique à l'UMR AMAP dans l'équipe SYSTE