Modèles d’apprentissage profond pour la détection automatique des follicules ovariens à partir de données d’imagerie 2D et 3D

Dans le cadre du projet ANR OVOPAUSE (ANR-22-CE45-0017), l’objectif est de développer un modèle de détection et classification automatique de follicules ovariens, à partir de coupes histologiques 2D chez la souris et d’imagerie 3D par transparisation chez le poisson. Les follicules ovariens sont des structures multi-cellulaires qui contiennent les cellules germinales femelles. La maturation des follicules passe par des étapes de croissance successives jusqu’à, pour certains d’entre eux, l’ovulation ou la ponte et la
libération de l’ovocyte mature. La répartition des follicules dans les différents stades de maturité, au cours de la vie, détermine l’état reproducteur des individus et certains troubles de la fertilité sont associés à une répartition perturbée. Le comptage des follicules ovariens, et leur classification, est donc un enjeu majeur autant pour la recherche en biologie de la reproduction qu’en application clinique.
L e comptage manuel des follicules ovariens reste une tâche extrêmement fastidieuse et a conduit au développement récent d’approches d’intelligence artificielle. Cependant, aucune méthode n’est pleinement satisfaisante à ce jour et une amélioration globale de la classification et du comptage automatique des follicules est attendue dans ce domaine.
Ce post-doctorat s’effectuera dans un environnement fortement interdisciplinaire, au plus près des experts en biologie de la reproduction et en modélisation. Un corpus de données suffisant est déjà acquis chez deux espèces modèles, la souris et le médaka.
Le contrat peut commencer dès maintenant et, au plus tard, avant le 1er novembre 2024.

Un aperçu du projet OVOPAUSE est disponible ici. Le principal objectif du post-doctorat est le développement d’algorithmes et de codes, librement accessibles à la communauté scientifique, permettant d’évaluer avec précision le nombre de follicules ovariens à partir d’images histologiques 2D d’ovaires, et de classifier les follicules selon leurs différents stades de maturité et leur état de santé. Ce travail se basera sur un corpus d’images annotées par expert, disponible au sein de l’équipe, et fera appel à des techniques d’apprentissage profond innovantes pour résoudre les challenges de la détection dû au fait (i) qu’il y a un grand contraste en tailles de follicules, avec une fourchette de l’ordre de 10^2 entre les
follicules les plus petits et les plus gros; (ii) que des mêmes follicules sont présents sur plusieurs coupes successives (problème de suivi); (iii) que la disponibilité d’un nombre suffisant d’instances de chaque catégorie à classer dans l’ensemble de données d’apprentissage est limitant.La personne recrutée développera des solutions à partir des méthodes existantes de la litérature dans ce domaine et dans des domaines proches, ainsi qu’à à partir des solutions développées dans l’équipe et en collaboration, dont un aperçu est disponible ici.
Dans un second temps, les performances de la détection et classification de follicules à partir de coupes 2D seront comparées à l’analyse automatique par imagerie 3D, en suivant la méthodologie développée par nos collaborateurs sur les données de médaka [Lesage et al. 2023]. Plusieurs perspectives pourront alors être abordées au cours de ce travail:

• l’optimisation de protocoles de comptages folliculaires à partir de coupes histologiques 2D, en utilisant les informations 3D disponibles.
• l’utilisation de marqueur cellulaire pour améliorer les estimations en 2D et en 3D, et/ou le transfert de marqueur numérique.
• l’analyse statistique de la répartition spatiale des follicules ovariens.

La personne recrutée aura la responsabilité du développement des différentes solutions envisagées, et pourra intéragir avec les modélisateurs et experts biologistes présent au sein du consortium (MUSCA, Université Paris-Cité, INRAE Rennes), ainsi que des experts en intelligence artificielle avec qui nous collaborons.

Principales activités :

• Analyser les solutions existantes pour la détection de follicules ovariens à partir de coupes histologiques 2D et imagerie 3D.
• Proposer, implémenter et tester de nouvelles solutions de détection et classification des follicules ovariens à partir de données annotées de coupes histologiques 2D.
• Développer un programme utilisable par les experts biologistes permettant la détection et classification des follicules ovariens sur de nouvelles coupes 2D.
• Proposer de nouvelles pistes de recherche pour améliorer les performances de prédiction des algorithmes de détection et classification des follicules ovariens, adaptées aux données 2D et 3D.
• Rédiger et diffuser à la communauté scientifique les résultats obtenus.

Compétences:

• Doctorat en informatique ou en biologie computationnelle ou dans des domaines connexes.
• Expérience en apprentissage automatique (en particulier en apprentissage profond).
• Solides compétences en programmation (python, C++).
  Seront appréciées:
• Expérience avec des données d’imagerie 2D ou 3D, vision par ordinateur.
• Expérience dans le développement d’outils et d’algorithmes conviviaux.
• Des connaissances solides en vision assisté par ordinateur, détection d’objet.
• Des connaissances en statistiques spatiales.