Stagiaire

Durée: 20 à 26 semaines à partir de février 2027 Contexte L’AVC est l’une des principales causes de mortalité et de handicap dans le monde, avec six millions et demi de personnes décédant chaque année [1]. Il s’agit d’une pathologie complexe, où la rapidité de la prise en charge est cruciale. Au cours du parcours de soins du patient, une grande quantité de données multimodales est recueillie. En complément des variables cliniques, les images IRM, notamment de type T2 FLAIR et diffusion de l’eau (ADC), sont utilisées par les cliniciens pour le diagnostic et le pronostic de l’AVC. Des outils automatiques de détection de lésions ont été développés et appliqués aux AVC. Parmi ces outils, les modèles de *Unsupervised Anomaly Detection* (UAD) en deep learning sont entraînés à apprendre la représentation d’IRM cérébrales saines [2]. Lors de l’inférence, ils mettent en évidence les régions qui diffèrent des structures saines, produisant une carte d’anomalies qui peut être convertie en une segmentation des lésions. Un outil basé sur l’UAD a été développé au sein de l’équipe. Des travaux précédents ont porté sur la prédiction d’AVC à partir de données d’imagerie et de données cliniques [3,4], mais aucune étude n’a utilisé l’UAD comme méthode intermédiaire de traitement des images dans la chaîne de prédiction. Sujet du stage L’objectif de ce projet est de développer et d’évaluer des modèles de classification par apprentissage automatique ou apprentissage profond afin de prédire des variables liées à l’AVC, telles que le NIH Stroke Scale (NIHSS) et l’échelle de Rankin, à partir des images issues de l’UAD et des données cliniques de la base de données ETIS, qui regroupe des données d’AVC provenant de 47 centres en France [5]. Missions * Prétraiter une base de données d’imagerie et de données cliniques d’AVC * Appliquer l’outil d’UAD sur les IRM d’AVC * Développer et évaluer une approche basée sur le *gradient boosting* ainsi qu’une approche basée sur l’apprentissage profond pour la prédiction de la sévérité de l’AVC * *(Optionnel)* Faire une étude de benchmarking et explorer les méthodes d’explicabilité des modèles Profil recherché ❖ Être inscrit(e) en master/école d’ingénieur avec une spécialisation en deep learning, imagerie médicale ou similaire ❖ Maîtrise du machine learning et deep learning avec Python (Scikit-learn et PyTorch) ❖ Connaissances ou intérêt pour le traitement des images médicales Environnement de travail Le/la stagiaire sera accueilli(e) au sein du Grenoble Institut Neurosciences dans l’équipe Neuroimagerie Fonctionnelle et Perfusion Cérébrale, qui développe de nouvelles méthodes d’acquisition et d’analyse d’images cérébrales en étroite collaboration avec le CHU Grenoble Alpes. Gratification Le stage est rémunéré au taux horaire de la gratification sera égal au minimum à 4,50 € par heure de stage, correspondant à 15 % du plafond horaire de la sécurité sociale (soit 30 € x 0,15). [1] World Stroke Organization [2] Behrendt, Finn, et al. "A review of deep learning-based Unsupervised Anomaly Detection in brain MRI." *Medical image analysis* (2026): 104076. [3] Liu, Yongkai, et al. "Functional outcome prediction in acute ischemic stroke using a fused imaging and clinical deep learning model." Stroke 54.9 (2023): 2316-2327. [4] Shurrab, Saeed, et al. "Multimodal machine learning for stroke prognosis and diagnosis: A systematic review." IEEE Journal of Biomedical and Health Informatics 28.11 (2024): 6958-6973. [5] **https://etis-france.org/**