Mots-Clés

Analyse d’image Débruitage Segmentation Classification Deep-Learning Machine Learning

Description

Contexte

Ce stage s’inscrit dans une démarche visant à mieux comprendre les dynamiques cellulaires qui sous-tendent la production des gamètes femelles (œufs) chez les poissons. Dans ce contexte, le laboratoire étudie la dynamique de croissance des follicules ovariens chez le poisson modèle médaka (Oryzias latipes). Ces analyses sont réalisées au cours du cycle de vie ou dans différents contextes génétiques, notamment chez des lignées mutantes, et reposent sur la quantification du nombre et de la taille des follicules ovariens, dont le diamètre varie approximativement de 20 à 1200 µm.
Jusqu’à présent, ces paramètres ont été obtenus à partir d’images 3D de fluorescence de l’ovaire entier, acquises par microscopie confocale. Celles-ci permettent de visualiser les contours des follicules et sont analysées à l’aide d’un pipeline de segmentation développé au laboratoire. Une autre approche d’imagerie, fondée sur la microtomographie aux rayons X (micro-CT), est désormais à l’étude au laboratoire comme alternative à l’imagerie 3D par fluorescence. Réalisées en collaboration avec la plateforme Imagéo de l’OSERen à Rennes (Plateau microtomographie RX), la micro-CT appliquée aux ovaires de médaka réduit considérablement les temps d’acquisition tout en apportant des informations supplémentaires sur la structure interne des follicules.

Objectif

L’objectif principal du stage sera de développer un pipeline complet et reproductible d’analyse d’images micro-CT permettant la segmentation individuelle des follicules ovariens ainsi que leur classification automatique selon leur stade de développement, à partir de leurs caractéristiques morphologiques (structure interne). Le pipeline développé s’inspirera de celui déjà mis en place au laboratoire pour l’analyse des images de fluorescence, qui devra être adapté aux données micro-CT et complété par de nouveaux modèles d’apprentissage profond. Une étape importante du projet consistera également à développer une stratégie de classification permettant de caractériser précisément les différents stades de croissance folliculaire et déterminer leur distribution dans des ovaires à différents stade du cycle de vie. Les résultats obtenus pourront être confrontés aux données publiées dans un article de référence proposant un atlas des stades folliculaires établi à partir d’images histologiques 2D.

Encadrement

Le ou la stagiaire bénéficiera de l’appui d’une ingénieure d’étude du laboratoire spécialisée en bioinformatique et en analyse d’images biologiques. Le projet sera également mené en interaction étroite avec une technicienne spécialisée en imagerie, notamment pour la compréhension et l’interprétation des données micro-CT.

Compétences recherchées :

• Maitrise du langage Python
• Connaissance des principales libraries de Machine Learning (pytorch, scikit-learn)
• Utilisation de gestionnaires de version (Git)
• Intérêt pour l’imagerie biologique

Début du stage souhaité en janvier ou février 2027 pour une durée de 6 mois.