PFE "Développement et Évaluation de Modèles de Segmentation et Landmarking en Imagerie Médicale"

Société : SurgiQual Institute

SQI est une société Grenobloise organisée en SCOP depuis 2008 et structurée autour de deux pôles : le développement de technologies médicales logicielles et les aspects qualité et affaires réglementaires. SQI intervient dans tous les domaines nécessitant la conception de dispositif médical logiciel, avec une forte expertise dans le développement de logiciels de planning, de navigation et de robotique chirurgicales en conformité avec l’IEC 62304. En parallèle de ses activités de développement logiciel, SQI collabore à différents projets de recherche et d’innovation avec des partenaires académiques, cliniques et industriels.

Description du poste

Dans le cadre de plusieurs projets innovants en imagerie médicale, nous proposons un stage de fin d'études axé sur des problématiques de segmentation et de landmarking d'images médicales. Ces projets visent à améliorer la précision des diagnostics et des interventions médicales par l'usage de modèles d’intelligence artificielle appliqués à différentes parties du corps (colonne vertébrale, genou, hanche, etc.).
Le stage se concentrera sur le développement et l’évaluation de Proof of Concept (POC) dans l'un ou plusieurs de ces domaines, avec la possibilité d'intervenir aussi bien sur des modèles de segmentation que sur des modèles de landmarking (comme UNet, UNETR, ResNet).

Missions :
En collaboration avec l'équipe de recherche et développement, voici les différentes tâches à effectuer :
1. Développement de Modèles : Implémenter et entraîner des modèles de segmentation ou de landmarking à partir d’architectures telles que UNet, UNETR, et d’autres réseaux de neurones convolutifs adaptés à l’imagerie médicale.
2. Benchmarking : Réaliser des comparaisons de performances entre différentes architectures (ex. : UNet vs UNETR) afin d'identifier les solutions les plus efficaces pour chaque cas d'usage.
3. Prétraitement et Annotation des Données : Participer au pipeline de traitement des images médicales, incluant le nettoyage, l'annotation, et l'augmentation des données pour améliorer les performances des modèles.
4. Data Augmentation : Mettre en place des techniques d’augmentation de données pour pallier le manque de données annotées et améliorer la robustesse des modèles.

Profil recherché

Nous recherchons un(e) étudiant(e) en dernière année de Master ou d'École d'Ingénieur, spécialisé(e) en Informatique, ou domaine connexe. Le(la) candidat(e) doit être à l'aise avec la programmation (Python). Une connaissance des frameworks de deep learning tels que PyTorch ou TensorFlow est un atout, mais une bonne capacité d'apprentissage est également valorisée.
Nous recherchons une personne autonome, rigoureuse, avec un esprit analytique et curieux, capable de travailler en équipe dans un environnement de recherche.

Voir le fichier joint