Stage de fin d’études

Il y a 1 jour

Lyon, Auvergne-Rhône-Alpes, France Université Claude Bernard Lyon 1 Temps plein
https://www.creatis.insa-lyon.fr/site/fr/recrutement/optimisation-bi-level-pour-la-spectroscopie-de-fluorescence-multi-longueurs-donde Optimisation Bi-Level pour la Spectroscopie de Fluorescence Multi-Longueurs d’Onde Détection Automatique des Marges Tumorales Contexte Médical La chirurgie des gliomes de haut grade représente un défi majeur en neurochirurgie. L'identification précise des marges tumorales est cruciale pour une résection complète, mais reste difficile car le tissu sain et le tissu malade peuvent paraître visuellement identiques. La spectroscopie de fluorescence peropératoire offre une solution prometteuse, mais nécessite des méthodes mathématiques sophistiquées pour extraire l'information spectrale pertinente. Approche Proposée Ce stage propose un cadre innovant d'optimisation bi-level pour automatiser la sélection des longueurs d'onde de fluorescence et maximiser la discrimination sain-tumeur. Le projet combine trois éléments clés : (1) une modélisation physique réaliste basée sur l'équation de diffusion pour décrire le transport de photons en tissu hétérogène, (2) la formulation d'un problème inverse nonlinéaire sophistiqué pour reconstruire les propriétés optiques du tissu, et (3) un algorithme d'optimisation bi-level qui optimise automatiquement les paramètres d'acquisition. Algorithmes et Outils Vous implémenterez des algorithmes mathématiques avancés en Python/PyTorch, incluant la différentiation implicite pour le calcul de gradients, les méthodes proximales pour l'optimisation convexe, et les solveurs nonlinéaires (Gauss-Newton, Levenberg-Marquardt) pour l'inversion du modèle physique. Profil Souhaité et informations pratiques Master 2 en Mathématiques Appliquées, Traitement du Signal, ou Informatique avec maîtrise solide de Python et optimisation convexe. Une familiarité avec PyTorch, les algorithmes proximaux, ou les problèmes inverses est fortement appréciée.