Type de stage
Stage de Master 1 dans le domaine de l’informatique, traitement d’image, vision par ordinateur, mathématiques appliquées, génie biomédical, neurosciences computationnelles
Durée et localisation
Début de stage fin juin ou début juillet 2025
Contexte
La partie basse du corps vertébral, constituée de cinq segments osseux est référencée comme la moelle lombaire. À cause de son placement, cette partie du corps vertébral doit supporter plus de poids que les autres et peut être endommagée.
La sténose spinale, qui cause des claudications, touche environ 20% des plus de 65 ans et entrave plus de la moitié des patients dans leur routine quotidienne, ce qui peut conduire jusqu’à une prise en charge chirurgicale [Rampersaud, 2017].
Cette sténose s’identifie par une 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 les textures dans les régions musculaires [Park, 2012 ; Mannil, 1918]. Récemment au sein de l’équipe NCP, où le stage est proposé, ont été testées des méthodes d’extraction de caractéristiques automatiques qui pourraient être pertinentes pour la caractérisation de la sténose sur cinq régions d’intérêt au niveau lombaire [Brémond-Martin, 2025]. Cependant bien d’autres régions pourraient être caractérisées au niveau paraspinal notamment [Torres-Espin, 2022].
La caractérisation des lésions affectant la moelle épinière nécessite une segmentation préalable des régions, qui est consommatrice de temps pour les cliniciens et est généralement réalisée sur quelques régions [van der Graaf, 2024].
Afin d’automatiser l’annotation, 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].
Or, des méthodes de segmentation non supervisées permettant de réaliser cette performance de segmentation de milliers de régions d’intérêt sont déjà présentes dans la littérature [Wang, 2024]. Et des approches de segmentation non supervisées traditionnelles, qui n’ont pas été testées dans le cadre des régions spinales, pourraient également être envisagées [Gur, 2019].
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.
Mission(s)
- 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
- Implémenter à partir de ces articles une méthode traditionnelle et une méthode d’apprentissage profond non supervisées
- Versioning avec Git
- Comparer les approches par des métriques pertinentes de la littérature
- Comparer les résultats obtenus avec les annotations réalisées par les cliniciens
- Si une vérité terrain est disponible, l’étudiant pourra comparer les approches non supervisées avec une approche supervisée [Kirilov, 2023]
- 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
Rémunération possible si la durée du stage excède les deux mois à hauteur de 4,35 €/h soit un montant mensuel maximal de 669,90 €, sur la base de 22 jours à raison de 7 heures par jour.
Contact
Envoyer CV + lettre de motivation avec une description de vos précédents projets/stages à Clara Brémond 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)
[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.
[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