Proposition de stage : "Imagerie médicale, Graphes, Intelligence Artificielle"

Stage Master 2 ou Ingénieur Bac+5 – 2025/2026 sur l'Imagerie médicale, les Graphes, l'Intelligence Artificielle

Environ 30% des enfants ayant eu un AVC néonatal ischémique développent des troubles moteurs permanents connus sous le terme de paralysie cérébrale (Chabrier, et al. 2019). L’étude de régions clés du cerveau peut aider à mieux comprendre les déficiences motrices manuelles provoquées (Craig, Carlson and Kirton 2019) (Hassett, et al. 2022) (Ilves, et al. 2022). La compréhension des phénomènes découlant de la présence de cette lésion cérébrale précoce peut s’appuyer sur une caractérisation par l’image. Dans nos précédents travaux, nous avons mis en évidence un lien entre les informations morphologiques extraites d’IRM morphométriques T1 et les fonctions motrices manuelles chez des enfants ayant eu un AVC néonatal (Coupeau, et al. 2024). La méthode proposée se base sur un réseau de neurones sur graphes (GNN) (Bacciu, et al. 2020) chargé de prédire les performances motrices de l’individu à partir d’un graphe du cerveau. Plus précisément, chaque structure d’intérêt du cerveau est représentée sous la forme d’un nœud embarquant des propriétés morphométriques issues de l’IRM T1 (Figure A-1). Les nœuds sont reliés par des arêtes apportant des informations sur les relations spatiales entre structures. Les résultats obtenus prometteurs restent perfectibles, notamment pour prédire la motricité fine.

Une première piste envisagée pour améliorer le modèle consiste à enrichir les relations spatiales embarquées par les arêtes du graphe et à automatiser, dans le GNN, l’élimination des arêtes non pertinentes (Figure A-2) comme proposé récemment (Zheng, et al. 2020) (Sui, et al. 2024). Les travaux actuels s’appuient sur une connexion 2 à 2 des structures (Figure A-1) basée sur des a priori. Le défi est de s’attaquer à une problématique classique en sciences des données sur graphes, relative à l’apprentissage de la topologie pertinente d’un graphe pour répondre à une tâche spécifique.

Une deuxième piste envisagée est d’enrichir le graphe par l’ajout de nouveaux nœuds associés à d’autres structures cérébrales impliquées dans le système moteur (Figure A-3). En complément des noyaux gris centraux et du thalamus actuellement considérés, nous souhaitons considérer l’aire motrice primaire (exécution du mouvement), le cervelet (coordination et ajustement du mouvement) ou encore le tronc cérébral (transmission des influx moteurs aux muscles).

L’objectif du stage est de mettre en place les deux pistes d’amélioration décrites préalablement et d’étudier leur impact sur la prédiction de la motricité après un AVC néonatal.

Le stage débutera par une prise en main des codes Python de l’équipe (Coupeau, et al. 2024). Dans un second temps, le/a stagiaire aura pour mission d’adapter le modèle GNN pour apprendre à éliminer les arêtes non pertinentes pour la prédiction. L’objectif est de ne plus travailler à partir de graphes connectés deux à deux mais de fournir au réseau une modélisation sans a priori. Pour cette partie, le/a stagiaire travaillera avec un doctorant de l’équipe. La programmation se fera à l’aide de la librairie PyTorch geometric (Fey et Lenssen 2019). La dernière mission consistera à enrichir la modélisation par l’ajout de nœuds associés à de nouvelles structures cérébrales. Les structures d’intérêt ont déjà été segmentées par l’équipe sur les IRM T1, il ne reste qu’à extraire les propriétés morphométriques de celles-ci.

Le/a stagiaire sera invité(e) à participer aux réunions de recherche mensuelles avec les médecins chercheurs du CHU d’Angers. Si les résultats sont concluants, ils pourront faire l’objet d’un article de revue ou de conférence.
Le stage se déroulera au laboratoire LARIS pour une durée de 5-6 mois à compter de février 2026. Le/a stagiaire percevra une gratification de 4.35€/h de présence effective. L’Université d’Angers peut prendre en charge 75% du tarif de votre abonnement de transport, sous justificatif, dans la limite de 101.75€/mois.

Contact :
Patty Coupeau (patty.coupeau@univ-angers.fr)
Pour candidater sur ce stage, merci de me faire parvenir :

CV + lettre de motivation
Relevés de notes du Bac+4
Lettre de recommandation (facultatif)

Références :

Bacciu, Davide, Federico Errica, Alessio Micheli, and Marco Podda. "A gentle introduction to deep learning for graphs." Neural Networks 129 (2020): 203-221.
Chabrier, Stéphane, et al. "From congenial paralysis to post-early brain injury developmental condition: Where does cerebral palsy actually stand?" Annals of Physical and Rehabilitation Medicine 63, no. 5 (2019): 431-438.
Coupeau, Patty, Josselin Démas, Jean-Baptiste Fasquel, Lucie Hertz-Pannier, Stéphane Chabrier, et Mickael Dinomais. «Hand function after neonatal stroke: a graph model based on basal ganglia and thalami structure.» NeuroImage: Clinical 41 (2024): 103568.
Craig, Brandon T, Helen L Carlson, and Adam Kirton. "Thalamic diaschisis following perinatal stroke is associated with clinical disability." Neuroimage Clinical 21 (2019): 101660.
Fey, Matthias, et Jan E Lenssen. «Fast Graph Representation Learning with PyTorch Geometric.» ICLR Workshop on Representation Learning on Graphs and Manifolds, 2019.
Hassett, Jordan, Helen Carlson, Ali Babwani, and Adam Kirton. "Bihemispheric developmental alterations in basal ganglia volumes following unilateral perinatal stroke." Neuroimage Clinical 35 (2022): 103143.
Ilves, Nigul, et al. "Ipsilesional volume loss of basal ganglia and thalamus is associated with poor hand function after ischemic perinatal stroke." BMC Neurology 22, no. 1 (2022): 23.
Sui, Yongduo, Xiang Wang, Tianlong Chen, Meng Wang, Xiang He, et Tat-Seng Chua. «Inductive Lottery Ticket Learning for Graph Neural Networks.» Journal of Computational Science and Technology, 2024.
Zheng, Cheng, et al. «Robust Graph Representation Learning via Neural Sparsification.» International Conference on Machine Learning, 2020.