Type de stage
Stage de Master 2 dans le domaine de l’informatique, traitement d’image, vision par ordinateur, mathématiques appliquées, génie biomédical, neurosciences computationnelles
Date ou durée du stage
Janvier à juillet 2026
Contexte
Constituée de cinq segments osseux devant supporter plus de poids lié à sa localisation, la partie lombaire du corps vertébral est souvent endommagée. Environ 20 % des plus de 65 ans souffrent de sténose dite spinale, qui entrave plus de la moitié des patients dans leur routine quotidienne. La prise en charge devient, dans certains cas, chirurgicale [Rampersaud, 2017].
La déformation, la compression de nerfs, le degré d’oblitération de la graisse épidurale, ou encore le calcul de la cross section area (<130 mm3), mais également l’extraction de textures dans les régions musculaires permettent d’identifier ces sténoses de façon clinique [Park, 2012 ; Mannil, 1918].
Dans l’équipe NCP, nous avons récemment visé à identifier des caractéristiques extraites de façon automatiques sur cinq régions au niveau lombaire dites d’intérêt de datasets open source : le disque intervertébral, le sac thécal, la région antéro-postérieure, l’éminence postérieure et le reste de l’image [Brémond-Martin, 2025]. Cependant dans le reste de l’image, bien d’autres régions pourraient être caractérisées au niveau paraspinal notamment [Torres-Espin, 2022]. Pour poursuivre cette étude, la segmentation automatique de régions non préalablement annotées devient alors nécessaire à développer, car les outils de segmentations automatiques actuels ne se focalisent que sur les quelques régions mentionnées [van der Graaf, 2024].
Afin d’automatiser la segmentation sans annotations, certains auteurs réalisent d’ores et déjà des approches non supervisées de segmentation de moelle épinière [Kuang, 2020]. Cependant, les segmentations non supervisées pour la moelle épinière sont soit seulement pour les disques intervertébraux [Kuang, 2020], soit seulement pour les régions paraspinales incluant les muscles [Zuo, 2024].
Nous avons testé récemment des approches traditionnelles de segmentation non supervisées au sein du laboratoire sans qu’elles soient parvenues à des résultats satisfaisants pour des segmentations à la fois de régions spinales et paraspinales [Gur, 2019]. Des méthodes de segmentation non supervisées basées sur des réseaux profonds permettant de réaliser cette performance de segmentation de milliers de régions d’intérêt sont déjà présentes dans la littérature [Rmouque, 2021, Wang, 2024, Couairon, 2024, Tian, 2024]. Nous souhaiterions donc tester cette/ces approche/s basée/s sur des réseaux profonds afin de proposer un outil utile et satisfaisant pour de la segmentation automatisée de régions spinales et paraspinales. Ce projet à terme engendrerait une base sur laquelle s’appuyer, une fois validée par la clinique, pour une meilleure stratification et donc une meilleure prise en charge de patients souffrant d’atteintes de la moelle.
Objectif
L’objectif de ce stage est de répondre à la nécessité de réaliser une segmentation de toutes les régions d’intérêt de la moelle épinière, afin de caractériser au mieux la lésion et de pouvoir proposer une approche automatisée plus pertinente pour la clinique à l’avenir.
Missions
- Prise en main de la base de données libre d’accès de sténose ;
- Intégrer les bibliographies nécessaires à l’implémentation des méthodes de segmentation non supervisées ;
- À partir de ces articles adapter une (des) méthode(s) d’apprentissage profond non supervisées, et pourquoi pas concevoir sa propre méthode ;
- Versioning avec Git ;
- Comparer les approches par des métriques pertinentes de la littérature ;
- L’étudiant pourra comparer les approches non supervisées avec une approche supervisée une fois les annotations réalisées par les cliniciens pourvues [Kirilov, 2023] ;
- Travailler en collaboration avec une équipe multidisciplinaire ;
- Développer un esprit critique sur les résultats.
Compétences
- Développement en un langage (Python préférable, mais si Matlab/Java/C/C++, ou autre langage préféré, précisez) ;
- Bases du traitement d’image ou avancé ;
- Notions d’apprentissage profond ou, avoir déjà développé des algorithmes dans un stage ou projet (si c’est le cas précisez-le au moment de candidater en mentionnant le/les framework(s) utilisé(s) notamment) ;
- Projets/stages précédents sur des images biomédicales (IRM est un plus), ou vous souhaitez découvrir davantage ce domaine.
Rémunération
Gratifications de stage suivant la réglementation en vigueur.
Contact
Envoyer CV + lettre de motivation avec une description de vos précédents projets/stages à
Clara BREMOND clara.bremond[at]inserm.fr
Références
[Brémond-Martin, 2025] Brémond-Martin, C. Querin, G., Pradat, J.-F., Marchand-Pauvert, V. (2025, may)Classical feature extraction for MRI lumbar spine stenosis characterization? Fourteenth International Conference on Image Processing Theory, Tools and Applications (IPTA). IEEE, 2025 (submitted id : 27)[Couairo, 2024] Couairon, P., Shukor, M., Haugeard, J.E, Cord, M., Thome, N. (2024). Diffcut: Catalyzing zero-shot semantic segmentation with diffusion features and recursive normalized cut. Advances in Neural Information Processing Systems, 37, 13548-13578.
[Gur, 2019] Gur, S., Wolf, L., Golgher, L., & Blinder, P. (2019). Unsupervised microvascular image segmentation using an active contours mimicking neural network. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 10722-10731).
[Kirilov, 2023] Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., … & Girshick, R. (2023). Segment anything. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 4015-4026).
[Kuang, 2020] Kuang, X., Cheung, J. P., Wu, H., Dokos, S., & Zhang, T. (2020, July). MRI-SegFlow: a novel unsupervised deep learning pipeline enabling accurate vertebral segmentation of MRI images. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (pp. 1633-1636). IEEE.
[Mannil, 1918] Mannil, M., Burgstaller, J. M., Thanabalasingam, A., Winklhofer, S., Betz, M., Held, U., & Guggenberger, R. (2018). Texture analysis of paraspinal musculature in MRI of the lumbar spine: analysis of the lumbar stenosis outcome study (LSOS) data. Skeletal radiology, 47, 947-954.
[Park, 2012] Park, H. J., Kim, S. S., Lee, S. Y., Park, N. H., Rho, M. H., Hong, H. P., … & Choi, S. H. (2012). Clinical correlation of a new MR imaging method for assessing lumbar foraminal stenosis. American journal of neuroradiology, 33(5), 818-822.
[Rampersaud,2017] Rampersaud, Y. R., Bidos, A., Fanti, C., & Perruccio, A. V. (2017). The need for multidimensional stratification of chronic low back pain (LBP). Spine, 42(22), E1318-E1325.
[Rmouque, 2021] Rmouque, I., Devanne, M., Weber, J., Forestier, G., Wemmert, C. (2021). Segmentation non-supervisée d’images histopathologiques à l’aide d’auto-encodeurs et d’ensemble clustering. Atelier d’apprentissage profond: Théorie et Applications (APTA).
[Tian, 2024] Tian, J., Aggarwal, L., Colaco, A., Kira, Z., and Gonzales-Franco, M. (2024). Diffuse attend and segment: Unsupervised zero-shot segmentation using stable diffusion. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 3554-3563).
[Torres-Espin, 2022] Torres-Espin, A., Keller, A., Johnson, G. T., Fields, A. J., Krug, R., Ferguson, A. R., … & Bailey, J. F. (2022). Using hierarchical unsupervised learning to integrate and reduce multi-level and multi-paraspinal muscle MRI data in relation to low back pain. European Spine Journal, 31(8), 2046-2056.
[van der Graaf, 2024] van der Graaf, J. W., van Hooff, M. L., Buckens, C. F., Rutten, M., van Susante, J. L., Kroeze, R. J., … & Lessmann, N. (2024). Lumbar spine segmentation in MR images: a dataset and a public benchmark. Scientific Data, 11(1), 264.
[Wang, 2024] Wang, X., Yang, J., & Darrell, T. (2024, June). Segment anything without supervision. In The Thirty-eighth Annual Conference on Neural Information Processing Systems.
[Zuo, 2024] Zuo, H., Wang, Q., Bi, G., Wang, Y., Yang, G., Zhang, C., … & Bi, Q. (2024). Comparison of different MRI-based unsupervised segmentation algorithms in predicting sarcopenia. European Journal of Radiology, 181, 111748
