Cohorte – Thème Santé du Futur

Sujet : Modélisation de l’évolution physiologique d’un patient en réaction à un process de soins. Application à la simulation d’un patient au bloc opératoire, dans une nouvelle modalité de formation en anesthésie, assistée par le numérique.
Établissement : Nantes Université
Laboratoire(s) : LS2N
Encadrant(s) : Christine Sinoquet

Résumé :Le but de la thèse est de développer un gestionnaire automatisé de scénarios de simulation d’anesthésies sur un patient digital, pour l’entraînement d’internes et d’infirmiers anesthésistes. Ces scénarios doivent être réactifs aux actions de l’interne ou de l’infirmier en formation. La clé du problème consiste à savoir simuler l’évolution des paramètres physiologiques du patient digital en fonction de l’action déclenchée par la personne en formation ou par le reste de l’équipe médicale.
Financement : AiBy4

Sujet : Modélisation de la réponse thérapeutique du glioblastome multiforme
Établissement : ECN
Laboratoire(s) : LMJL
Encadrant(s) : Mazen Saad, Aurélien Sérandour,

Résumé :Le Glioblastome multiforme (GBM) est la tumeur cérébrale la plus fréquente et la plus agressive, seulement 5% des patients survivent au moins 5 ans après diagnostic. Les patients diagnostiqués subissent une excérèse en urgence quand elle est possible et commencent immédiatement un traitement couplant chimiothérapie (Témozolomide) et radiothérapie. Nous proposons de modéliser et de simuler numériquement l’évolution de la tumeur et sa réponse thérapeutique.

Sujet : Analyses Big data pour une meilleure prise en charge du transplanté rénal
Établissement : UN et ECN
Laboratoire(s) : CRTI
Encadrant(s) : Sophie Limou, Pierre Antoine Gourraud,

Résumé :Transplantation, Rein, GWAS, score de prédiction, Sélection de variables

Sujet : TALMed : Traitement Automatique de la Langue Médical
Établissement : Université de Nantes
Laboratoire(s) : LS2N / CRTI
Encadrant(s) : Emmanuel Morin, Béatrice Daille, Pierre-Antoine Gourraud

Résumé :Développement de ressources et de méthodes spécifiques au domaine biomédical français pour l’extraction d’informations dans des comptes rendus hospitaliers.
Financement : AiBy4 – CRTI

Sujet : Apprentissage fédéré de Réseaux Bayésiens préservant la confidentialité dans le cadre d’applications médicales personnalisées
Établissement : UN
Laboratoire(s) : LS2N / U2PEA
Encadrant(s) : Philippe Leray, Guillaume Raschia, Olivier Bonnot

Résumé :L’objectif est de proposer de nouveaux algorithmes d’apprentissage de modèles graphiques probabilistes sous contrainte de confidentialité différentielle dans le cadre de la médecine personnalisée. Une attention particulière sera portée dans le domaine de l’apprentissage fédéré dans lequel plusieurs modèles sont appris de manière parallèle, en échangeant des informations suffisamment riches entre ces modèles, mais préservant encore la confidentialité.
Financement : AiBy4 – RFI A2020

Sujet : Logic programs to infer computational models of human embryonic development
Établissement : UN
Laboratoire(s) : LS2N / CRTI
Encadrant(s) : Jérémie Bourdon, Carito Guziolowski, Laurent David

Résumé :–
Financement : Université de Nantes

Sujet : Analyse distributionnelle en domaine de spécialité
Établissement : UN
Laboratoire(s) : LS2N
Encadrant(s) : Emmanuel Morin, Thierry Hamon

Résumé :L’analyse distributionnelle en domaine de spécialité vise à regrouper les termes supposés sémantiquement proches pour en créer des représentations sémantiques, des plongements de mots, par exemple. Nous avons pour objectif de prendre en compte les informations inhérentes aux domaines étudiés pour l’intégrer dans les modèles d’analyse distributionnelle en domaine de spécialité, dans le but d’améliorer ces représentations distributionnelles.

Sujet : Capture de propriétés dynamiques dans l’apprentissage automatique de systèmes hybrides
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : Morgan Magnin, Olivier Roux,

Résumé :Le but est l’étude des réseaux de gènes en biologie des systèmes, en modélisant leur dynamique. La modélisation se base sur la programmation logique inductive, i.e. le machine learning sur un formalisme logique. La combinison avec le model checking permettrait de mieux comprendre le système, pour le prévoir/reprogrammer. Les données utilisées sont des données de séquençage single cell et les systèmes visés sont multiples: cycle cellulaire, cycle circadien, différentiation cellulaire etc..

Sujet : Apport de l’intelligence artificielle dans le diagnostic du myélome multiple sur myélogramme et prédiction du risque cytogénétique
Établissement : UN
Laboratoire(s) : LS2N / CRCINA
Encadrant(s) : Nicolas Normand, Marion Eveillard, Perrine Paul-Gilloteaux

Résumé :Le myélome multiple (MM) est une hémopathie B mature représentant 1 % des cancers. La cytomorphologie est une discipline basée sur l’expertise d’un biologiste médical et elle reste à ce jour le gold standard pour porter un diagnostic d’hémopathie maligne. Cependant, la reproductibilité inter/intra-observateur de la classification d’une cellule sur frottis médullaire n’est que de 75 à 90 % et le plus souvent seul un nombre limité de cellules sont observées.Dans le cadre de cette thèse un jeu de données cliniques et d’images sera constitué pour automatiser la détection de zones de lectures sur myélogrammes et la segmentation et classification des types cellulaires observés. Dans un second tant le passage à l’échelle d’une telle méthode sera considéré avec la mise en place d’une validation multicentrique, ainsi qu’une comparaison des performances avec la variabilité inter-opérateur humaine.
Financement : AiBy4 – ADELMAS

Sujet : Développement d’outils bioinformatiques d’apprentissage de données multi-omiques pour le suivi personnalisé du transplanté rénal
Établissement : UN
Laboratoire(s) : CRTI
Encadrant(s) : Elise Launay, Nicolas Vince, Pierre-Antoine Gourraud

Résumé :Les allèles HLA sont génotypés pour comprendre les maladies immunitaires. Des solutions de machine learning, plus rapides, permettent de déduire les allèles HLA en utilisant uniquement des données SNP. Bien qu’elle soit déjà effectuée avec des modèles existants, nous pensons que l’imputation gagnerait à être créée avec des individus proches génétiquement Ce travail fait partie de l’objectif du SNP-HLA Reference Consortium (SHLARC) qui vise à améliorer la précision de l’imputation.

Sujet : Amélioration du suivi des patients atteints de maladies neuro-dégénératives à l’aide d’objets connectés
Établissement : UN
Laboratoire(s) : LMJL
Encadrant(s) : Lise BELLANGER, Laurent CHEVREUIL, Aymeric STAMM

Résumé :L’objectif de la thèse est d’analyser la marche de patients atteints de pathologie neurologique à partir de données mesurées par système de capteurs de mouvement. Cette analyse passe par la construction de clusters regroupant des patients présentant des déficits de marche similaires, puis par le développement de méthode de classification permettant d’attribuer un groupe à un patient en fonction de ses données de marche.

Sujet : Capturing and modelling the singularity of spatial trajectories
Établissement : UN
Laboratoire(s) : LS2N
Encadrant(s) : Patrick Le Callet, Antoine Coutrot,

Résumé :Le projet est centré sur le jeu de données Sea Hero Quest, composé de trajectoires captées dans un jeu vidéo et des profils démographiques des joueurs. Le but est de développer des outils d’analyse de trajectoires permettant de faire le lien entre profil démographique et stratégies de déplacements et d’orientation.

Sujet : Dialogue humain machine pour l’assistance au diagnostic médical
Établissement : IMT atlantique
Laboratoire(s) : CRTI inserm U1064 et LS2N
Encadrant(s) : Franck Mars, Pierre Antoine Gourraud, Cédric Dumas

Résumé : Cette thèse entre dans le cadre du dialogue humain machine pour l’assistance au diagnostic médical, on s’intéresse aux mécanismes de dialogue (visualisation d’informations, interactions avec les données ou avec les algorithmes) qui permettent de conserver une compréhension suffisante du système et de son fonctionnement pour le médecin et/ou le chercheur.

Sujet : Mining Host-Microbiome Interactions using Natural Language Processing / Fouille d’interactions hôte-microbiome à l’aide de traitement automatique des langues
Établissement : UN
Laboratoire(s) : LS2N
Encadrant(s) : Samuel Chaffron, Solen Quiniou,

Résumé :Le sujet de thèse porte sur l’extraction de relations entre espèces de microbiotes humains et leurs relations avec des gènes, biomolécules et maladies, à partir de la littérature scientifique, en utilisant des techniques de traitement automatique des langues. Nous nous intéresserons plus particulièrement aux articles traitant du microbiote intestinal et du microbiote pulmonaire et nous validerons les résultats obtenus grâce à une collaboration avec des chercheurs du CHU de Nantes travaillant sur ces deux microbiotes et leur rôle dans les maladies inflammatoires.
Financement : AiBy4 – Université de Nantes

Sujet : Utilisation du deep learning pour le suivi de l’évolution du cancer du sein métastatique
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : Diana Mateus, Mathieu Rubeaux

Résumé :Cette thèse a lieu en collaboration entre le LS2N, l’entreprise Keosys et l’Institut de Cancérologie de l’Ouest (ICO) à Nantes; dans le cadre de l’étude clinique EPICURE (encore en cours). Le but de la thèse est d’utiliser du deep learning pour mieux suivre le cancer du sein métastatique, et surtout la réponse de cette maladie au traitement. Pour cela, des images TEP et CT de différents moments du traitement sont acquises et traintées pour en extraire l’information utile.
Financement : CIFRE – Keosys

Sujet : Développement d’outils de médecine de précision pour accompagner la prise de décision médicale.
Établissement : UN
Laboratoire(s) : CRTI
Encadrant(s) : Pierre-Antoine Gourraud, Nicolas Vince, Sophie Limou

Résumé :Le sujet de thèse repose sur le développement de deux logiciels de médecine de précision pour la transplantation. Le premier objectif a été la mise en place d’une suite web (comprenant aujourd’hui 4 outils) pour simplifier l’analyse des génotypes HLA (http://hla.univ-nantes.fr). Le travail à ensuite porté sur le développement d’un outil d’aide à la décision pour les cliniciens pour une meilleure prise de décision dans le suivi des patients transplantés rénaux.

Sujet : Apprentissage profond pour l’extraction d’information morpho-cinétiques à partir de vidéos time-lapse microscopiques d’embryons humains.
Établissement : UN
Laboratoire(s) : LS2N
Encadrant(s) : Harold Mouchère, Thomas Fréour,

Résumé :Le but de la thèse est de mieux comprendre les facteurs déterminants le potentiel de mener à une grossesse d’un embryon humain. Pour cela un modèle est entrainé à prédire si un embryon va mener à une grossesse ou non à partir d’une vidéo montrant son développement. Une fois le modèle entrainé, il faut comprendre sur quelles variables se base le modèle pour faire sa prédiction. L’enjeu est donc de construire un modèle capable de faire de bonne prédictions et qui soit interprétable par un humain.
Financement : NEXT – Projet DL4IVF
Vidéo de présentation

Sujet : L’adquisition, fusion et analyse d’images échographiques pour l’ammélioration des messures échographiques quantitatives 3d
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : DIANA MATEUS, NASSIR NAVAB,

Résumé :L’objectif principal de la thèse est d’améliorer l’acquisition et l’analyse d’images échographiques médicales 3D. Deux problèmes fondamentaux seront abordés: la reconstruction de volumes d’échographie 3D à partir de séquences d’images 2D et la segmentation de structures d’intérêt dans les volumes reconstruits. La motivation clinique de notre travail est une collaboration permanente avec le STAPS et le CHU de Nantes autour de la maladie de Duchenne.

Sujet : Apprentissage et reconnaissance des différents troubles de la marche à l’aide d’un capteur de mouvement : le cas des patients atteints de Sclérose en Plaques.
Établissement : UN
Laboratoire(s) : LMJL / CRTI
Encadrant(s) : Lise BELLANGER, D.-A. Laplaud, A. Stamm

Résumé :Les objectifs sont de proposer de nouveaux algorithmes d’apprentissage statistique adaptés aux données de type séries temporelles de quaternions et de les appliquer à l’étude de la marche chez les patients atteints de Sclérose en Plaques. Le verrou essentiel sera de développer ou d’adapter les méthodes statistiques existantes aux données volumineuses et complexes que sont les quaternions évoluant au cours du temps. Une attention toute particulière sera portée aux méthodes d’apprentissage semi supervisées prenant en compte plus de deux sources d’informations, non supervisées pour données fonctionnelles et supervisées pour classer de nouvelles séries temporelles de quaternions dans des groupes prédéfinis.
Financement : AiBy4 – Université de Nantes

Sujet : Intégration de données génomiques et développement de scores de compatibilité génétique donneur-receveur pour améliorer la survie du greffon
Établissement : UN
Laboratoire(s) : CRTI / LS2N / LMJL
Encadrant(s) : Sophie Limou, Géraldine Jean, Mathieu Ribaté

Résumé :Les transplantations rénale et pulmonaire sont les meilleures options thérapeutiques en termes de survie et de qualité de vie pour les patients souffrant respectivement d’insuffisance chronique terminale rénale ou respiratoire. Malgré le développement de traitements immuno-suppresseurs toujours plus performants, la dysfonction chronique du greffon reste une problématique majeure. Nous proposons une stratégie à l’interface entre génomique, bioinformatique et intelligence artificielle afin de faire évoluer notre compréhension des événement de dysfonction du greffon, de construire des scores polygéniques de compatibilité donneur-receveur et de nous orienter vers des applications de médecine de précision.
Financement : Centrale Nantes

Sujet : Optimisation de la reconstruction d’images TEP pour l’aide à la décision dans les contextes de basses statistiques et d’apprentissage machine
Établissement : ECN
Laboratoire(s) : LS2N, CRCINA
Encadrant(s) : Saïd Moussaoui, LS2N (SIMS), ECN, Thomas Carlier, CRCINA (équipe 13), CHU de Nantes, Diana Mateus, LS2N (SIMS), ECN

Résumé :Les propriétés des images produites par tout algorithme de reconstruction dépendent des paramètres de mise en œuvre et impactent la qualité de la décision à partir de ces images. Or, il existe une variabilité importante des méthodes de reconstruction et des paramètres de mise en œuvre associés. Un des buts de cette thèse est de créer un algorithme d’optimisation globale visant à optimiser rapidement ces différents paramètres.

Sujet : Utilisation de l’apprentissage profond pour la caractérisation d’images TEP/TDM dans le cadre du cancer du sein métastatique
Établissement : UN
Laboratoire(s) : LS2N
Encadrant(s) : Nicolas Normand, Caroline Rousseau, Mathieu Rubeaux

Résumé :Le cancer du sein est le cancer le plus fréquent chez la femme. Si lors d’une détection précoce la survie est très élevée, ce n’est pas le cas lors de l’apparition de métastases. Afin d’améliorer cette survie, il est essentiel de caractériser le cancer de chaque patiente avec précision afin de mieux adapter leur traitement. Dans ce cadre, l’objectif de ma thèse est de segmenter et caractériser les images TEP/TDM des patientes en utilisant l’apprentissage profond.
Financement : CIFRE KEOSYS
Vidéo de présentation

Sujet : Aide au diagnostic médical dans le contexte du myélome multiple.
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : Diana Mateus, Thomas Carlier,

Résumé :Le myélome multiple est un cancer caractérisé par un haut taux de rechute. Il est donc intéressant de prédire la PFS (temps sans progression de la maladie) ainsi que les caractéristiques qui influent dessus. Elles peuvent être cliniques (traitement, Hb etc.) ou d’images (TEP). Une première partie de la thèse s’est concentrée sur l’utilisation des RSF pour l’analyse de la survie et la deuxième se concentre sur l’utilisation du deep learning et notamment des CNNs.

Sujet : Developpement d’une approche automatique directe pour la determination des parametres de reconstruction tomographique en TEP a partir du signal brut
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : MOUSSAOUI Said, Carlier Thomas, MATEUS DIANA

Résumé :Développement d’une approche automatique directe pour la détermination des paramètres de reconstruction tomographique en TEP à partir du signal brut.
Financement : CHU Nantes

Sujet : Statistiques en grande dimension pour les données single-cell RNA sequencing : application au myèlome multiple et au cancer du sein
Établissement : ECN
Laboratoire(s) : LMJL et CRCINA
Encadrant(s) : Bertrand Michel, Franck Picard,

Résumé :Comparaison de populations de cellules tumorales, traitées ou non, séquencées en single-cell RNA sequencing, à l’aide de tests non paramétriques de comparaison d’échantillons en grande dimension basés sur des méthodes à noyaux.

Sujet : Apprentissage automatique multimodale pour l’aide à la décision pour le dépistage du cancer du sein
Établissement : ECN
Laboratoire(s) : LS2N / LTSI
Encadrant(s) : Diana Mateus, Oscar Acosta, Guillaume Taton

Résumé :La thèse portera sur l’analyse des examens provenant de différentes modalités d’imagerie médicale afin d’améliorer le dépistage précoce du cancer du sein. Nous visons la conception d’une méthode de classification multimodale des tissus bénins et malins au sein de l’espace non Euclidien, en mettant l’accent sur l’intégration au modèle de classification de l’attention, de la prise en compte de jeux de données variables ainsi que de l’incertitude afin d’optimiser la fiabilité du modèle.

Sujet : Modèles Graphiques d’événements et ontologies pour la Modélisation de Processus chirurgicaux
Établissement : Nantes Université
Laboratoire(s) : LS2N
Encadrant(s) : LERAY Philippe, JANNIN Pierre,

Résumé :This thesis aims to propose a methodology to compute a generic Surgical Process Model (gSPM) as a model of procedural knowledge that represents the variability of surgery within a population of observed and annotated surgeries, learned from the concatenation of observed procedures enriched by temporal context. The gSPM will be represented by a probabilistic graph model. which will be the graphical event model (GEM) with the help of ontologies developed by OntoSPM.
Financement : 50% SPARS, 50% resources equipes

Sujet : Représentation multimodale multi-échelle compacte de la connectivité  cérébrale à base de graphes
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : MOUSSAOUI Said, RIZKALLAH Mira

Résumé :Nous souhaitons proposer une représentation multimodale robuste du cerveau, intégrant les informations complémentaires de graphes reflétant la structure anatomique, la fonction électro-physiologique et la fonction hémodynamique du cerveau afin de mettre en œuvre des techniques d’apprentissage automatique. L’objectif est de quantifier l’évolution du connectome d’un sujet au cours du temps et visualiser sa trajectoire par rapport à la population, une technique recherchée en médecine personnalisée.
Financement : Bourse CDE

Sujet : Architectures réparties et conteneurs logiciels sécurisés pour coopérations médicales multi-sites
Établissement : IMT atlantique
Laboratoire(s) : LS2N
Encadrant(s) : Mario Sudholt , Pierre Antoine Gourraud, Nicolas Vince

Résumé :Développer un nouveau modèle basé sur une infrastructure distribuée permettant une analyse biomédicale totalement collaborative et sécurisée sans partage de données entre hôpitaux pour garantir la confidentialité des patients.

Sujet : Biologie des systèmes de la dysfonction adipocytaire : modélisation et prédiction
Établissement : Nantes Université
Laboratoire(s) : Institut du Thorax et LS2N
Encadrant(s) : Prieur Xavier, Larhlimi Abdelhalim

Résumé :Le but de la thèse est de construire une modélisation bioinformatique de la dysfonction adipocytaire et de l’apparition des complications métaboliques associées. La doctorante combinera différents jeux de données déjà disponibles au laboratoire qui incluent des analyses omiques du tissu adipeux et les paramètres phénotypiques des souris. Elle utilisera les approches d’apprentissage statistique et de l’analyse par contraintes des réseaux métaboliques, pour caractériser au mieux ces tissus.
Financement : 50% Aiby4 + 50% CDE

Sujet : An Artificial Intelligence framework to improve the learning of dynamic models from time series data
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : Morgan Magnin, Maxime Folschette

Résumé :–

Sujet : Survival analysis of multiple myeloma and B-cell lymphoma patients: predicting risk and survival curves with graph neural networks
Établissement : ECN
Laboratoire(s) : LS2N
Encadrant(s) : Diana Mateus, Thomas Carlier, MIra Rizkallah

Résumé :Étude de survie de patients atteints de Myélome multiple ou de Lymphome B à grandes cellules par l’application de méthodes basées sur des réseaux de neurones sur graphes. Plus précisément, modélisation basée sur un graphe des relations entre les tumeurs d’un patient ; modélisation des relations entre patients en incluant leurs données cliniques ; et utilisation de réseaux de neurones basés sur ces graphes pour réaliser une analyse de survie.
Financement : THARGET

Sujet : Apprentissage profond pour l’aide au diagnostic et comparaison des mécanismes d’explicabilité avec l’attention visuelle humaine : application à la détection des lésions de la maladie de Crohn.
Établissement : UN
Laboratoire(s) : LS2N
Encadrant(s) : Harold Mouchère, Nicolas Normand, Antoine Coutrot

Résumé :La maladie de Crohn est une maladie chronique entraînant des lésions dans l’intestin grêle. Afin de pouvoir l’observer et ainsi établir un diagnostique de la maladie de Crohn, une capsule endoscopique à été développé. Cette capsule génère tout au long de la digestion des milliers d’images qui devront ensuite être revu par des experts. Afin de les aider dans cette tâche fastidieuse, nous développons un algorithme de d’apprentissage profond, basé sur un principe attentionnel.
Financement : Projet CROHN-IPI

Sujet : Reconstruction d’images échographiques avec apprentissage profond et optimisation
Établissement : ECN
Laboratoire(s) : LS2N, CNRS
Encadrant(s) : Diana Mateus, Clement Huneau, Jerome Idier

Résumé :L’objectif de cette thèse est de proposer de nouvelles méthodes liant le Deep Learning à l’approche de résolution de problèmes inverses, et à l’amélioration des images échographiques 2D et 3D sous le compromis qualité-vitesse.
Financement :