Thèse Super-Résolution des Images d'Irm Cérébrale de la Recherche à la Clinique Grâce aux Approches d'Apprentissage Automatique H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Electrical, Optical, Bio-physics and Engineering Laboratoire de recherche : Construction de grands instruments pour la neuroimagerie : de l'imagerie en population aux champs magnétiques ultra-hauts Direction de la thèse : Edouard DUCHESNAY Début de la thèse : 2026-10-05 Date limite de candidature : 2026-10-01T23:59:59 L'imagerie par résonance magnétique (IRM) cérébrale est une modalité de référence pour le diagnostic des pathologies neurologiques. L'acquisition d'images haute résolution (HR) reste toutefois limitée en pratique clinique en raison des contraintes de temps d'occupation scanner, de confort des patients, et de corruption des images par le mouvement des patients. Le gain de signal apporté par la montée du champ magnétique permet d'augmenter la résolution spatiale des images pour un temps d'acquisition donné. Ce projet vise à tirer parti de la haute résolution atteignable avec l'IRM 11.7T Iseult, actuellement la plus puissante au monde, pour entraîner des modèles de super-résolution (SR) basés sur un apprentissage automatique, dans le but d'améliorer la résolution spatiale des images 3T couramment utilisées en clinique. Dans les approches existantes, les modèles sont entraînés majoritairement à partir d'images issues de bases de données publiques, en faisant correspondre des paires d'images haute et basse résolution, les données basse résolution étant générées de manière synthétique. Ici, nous exploiterons un jeu de données réel constitué d'images acquises à 3T et 11.7T sur une même cohorte, ce qui garantit une plus grande fidélité anatomique et permet une évaluation rigoureuse du risque d'hallucination, c'est-à-dire de générer de faux détails anatomiques susceptibles d'être mal interprétés par le praticien. Ce projet s'articulera en plusieurs étapes : il s'agira d'abord d'améliorer la qualité des images produites à 11.7T (notamment par la correction du mouvement et des artefacts présents sur les images d'Iseult), puis d'acquérir des images à 3T et 11.7T, de développer et valider des modèles de SR, et enfin d'évaluer leur performance sur des bases de données publiques. Ce travail ouvre la voie à une intégration fiable des méthodes de SR dans la pratique clinique, en permettant de manière indirecte aux IRM conventionnelles de bénéficier des performances uniques d'Iseult. L'augmentation de la résolution spatiale des images d'IRM cérébrale constitue un enjeu majeur pour améliorer la détection et la caractérisation des pathologies neurologiques, mais les acquisitions haute résolution restent limitées en pratique clinique par leur durée et leur sensibilité aux artefacts. Les progrès récents en apprentissage profond et l'émergence d'IRM à très haut champ (11.7T) offrent de nouvelles perspectives pour développer des méthodes de super-résolution capables d'améliorer les images cliniques 3T tout en préservant leur fidélité anatomique. Les objectifs de la thèse sont les suivants:- Produire un jeu de données IRM 11.7T/3T de haute qualité en améliorant les acquisitions 11.7T et en constituant des paires d'images réelles pour l'entraînement ;- Développer, valider et évaluer des méthodes de super-résolution permettant d'améliorer la résolution des IRM 3T tout en garantissant la fiabilité anatomique des images reconstruites.

Étudiant(e) en Master 2 ou en dernière année d'école d'ingénieurs dans l'un des domaines suivants :Intelligence artificielle / apprentissage automatique (Machine Learning)Mathématiques appliquéesGénie biomédicalInformatiqueCompétences requises :Solides connaissances en apprentissage profond (Deep Learning), idéalement avec PyTorchBonne maîtrise de la programmation en PythonIntérêt marqué pour l'imagerie médicale et la rechercheUne expérience en physique de l'IRM ou en traitement d'images médicales constitue un atout, mais n'est pas indispensable.

• Imagerie médicale
• Python
• Programmation
• Imagerie par résonance magnétique (IRM)
• Intelligence artificielle
• Traitement d'image
• Machine learning
• Mathématiques