Développement d'approches IA pour la segmentation et l'analyse comparative d'embryons en microscopie 3D+t // Development of AI approaches for segmentation and comparative analysis of embryos in 3D+t microscopy

  • Montpellier
  • CDD
  • Temps-plein
  • Il y a 1 jour
Offer DescriptionL'intelligence artificielle et, en particulier, l'apprentissage profond transforment aujourd'hui l'analyse d'images biomédicales. Toutefois, de nombreux verrous subsistent pour les données issues de la microscopie 3D+temps, qui permettent de suivre en direct la formation des embryons. Ces données sont massives, hétérogènes, déséquilibrées (beaucoup de fond, peu de structures pertinentes), et reflètent des dynamiques cellulaires complexes. Les méthodes classiques atteignent vite leurs limites face à cette richesse d'information.Ce projet de thèse vise à développer de nouvelles approches d'IA adaptées à ce contexte, afin de mieux comprendre la variabilité morphologique des embryons et d'ouvrir la voie à une analyse quantitative, comparative et automatisée de l'embryogenèse.Deux grands axes structureront le travail.1. Représentation morphologique par apprentissage non supervisé. L'objectif est de projeter des images 3D d'embryons, acquises à différents stades, dans un espace latent de faible dimension. Cet espace servira de carte morphologique permettant de comparer objectivement les formes embryonnaires, d'identifier les ressemblances et les différences entre trajectoires développementales, et de mettre en évidence des morphologies atypiques. Des réseaux autoencodeurs 3D et des représentations implicites innovantes (NeRF, DeepSDF) seront explorés pour capturer fidèlement la complexité des structures embryonnaires.2. Segmentation cellulaire et suivi temporel. La dissociation habituelle entre segmentation spatiale et suivi temporel limite aujourd'hui la précision des reconstructions. Le projet proposera une approche intégrée, combinant réseaux convolutionnels 3D épars (sparse CNN), mécanismes d'attention et architectures hybrides CNN-Transformer. Cette stratégie permettra de tirer parti de la continuité spatio-temporelle des cellules, d'améliorer la robustesse de la segmentation et de modéliser les dynamiques cellulaires (divisions, déplacements collectifs, morphogenèse).Ce travail sera mené sur une base unique d'images 3D d'embryons d'ascidie, déjà collectées et annotées par nos partenaires biologistes. L'ascidie est un organisme modèle dont l'embryogenèse est à la fois rapide, stéréotypée et représentative des chordés, ce qui en fait un système idéal pour développer et valider de nouvelles méthodes.Au-delà de ses retombées méthodologiques, ce projet se situe à la croisée de l'IA, de la biologie du développement et de l'imagerie biomédicale. Il permettra de :
  • proposer une méthodologie robuste pour comparer finement des morphologies embryonnaires complexes,
  • mettre au point un réseau neuronal adapté aux défis spécifiques de la microscopie 3D+temps,
  • fournir un logiciel dédié à la communauté scientifique pour faciliter l'analyse comparative de données embryonnaires à grande échelle.
En intégrant pleinement les dynamiques spatio-temporelles dans un cadre algorithmique unifié, cette thèse ambitionne d'apporter un changement de paradigme pour l'étude automatisée et quantitative du développement embryonnaire.Artificial intelligence, and in particular deep learning, is profoundly transforming biomedical image analysis. However, many challenges remain when these methods are applied to complex volumetric datasets, such as 3D+time microscopy images that capture embryo development in real time. These data are massive, heterogeneous, highly imbalanced (large background versus small relevant structures), and encode intricate cellular dynamics. Conventional approaches struggle to extract this information reliably.This PhD project aims to design new AI methods tailored to this context, in order to better understand morphological variability in embryos and to provide a quantitative, comparative, and automated framework for studying embryogenesis.The work will be structured around two main axes:1. Morphological representation through unsupervised learning. The goal is to project 3D embryo images, acquired at different developmental stages, into a low-dimensional latent space. This space will serve as a “morphological map” that allows objective comparison of embryonic forms, highlighting similarities and differences across developmental trajectories, and detecting atypical morphologies. 3D autoencoders and emerging implicit representations (such as Neural Radiance Fields and DeepSDF) will be explored to capture the complexity of embryonic structures beyond the limits of classical grid-based approaches.2. Automated cell segmentation and temporal tracking. Traditionally, spatial segmentation and temporal tracking are treated as separate tasks, which limits reconstruction accuracy. This project will develop an integrated end-to-end strategy, combining sparse 3D convolutional networks, attention mechanisms, and hybrid CNN-Transformer architectures. Such models will exploit spatio-temporal continuity to improve segmentation robustness, capture cellular dynamics (divisions, collective displacements, morphogenetic events), and ensure temporal coherence across the full developmental sequence.The research will be carried out on a unique database of 3D images of ascidian embryos, already collected and experimentally annotated by our biology partners. Ascidians are chordate model organisms with rapid and highly stereotyped embryogenesis, making them ideal systems to develop and validate new approaches.Beyond methodological innovation, this project lies at the intersection of AI, developmental biology, and biomedical imaging. It will:
  • establish a robust methodology for fine-grained comparison of complex embryonic morphologies,
  • design neural networks adapted to the specific challenges of 3D+time microscopy,
  • provide a dedicated software tool to the scientific community for large-scale comparative analysis of embryonic data.
By fully integrating spatio-temporal dynamics into a unified computational framework, this PhD will deliver a paradigm shift in the automated and quantitative study of embryonic morphogenesis.Début de la thèse : 01/11/2025Funding category:Financement d'un établissement public FrançaisWhere to apply WebsiteRequirementsSpecific RequirementsNous recherchons un(e) candidat(e) motivé(e), ayant un goût marqué pour l'interdisciplinarité à l'interface entre intelligence artificielle et biologie du développement.Formation souhaitée :
  • Master 2 ou diplôme d'ingénieur en informatique, mathématiques appliquées, bio-informatique, imagerie biomédicale ou disciplines proches.
  • Des connaissances de base en biologie cellulaire ou en biologie du développement seront un atout, mais ne sont pas obligatoires.
Compétences techniques :
  • Bonne maîtrise des outils d'apprentissage profond (PyTorch, TensorFlow, ou équivalent).
  • Connaissances en traitement et analyse d'images (idéalement 3D ou biomédicales).
  • Pratique de la programmation (Python requis ; C++ ou autre langage apprécié).
  • Connaissances en gestion de données volumineuses et calcul haute performance (GPU, clusters) appréciées.
Qualités personnelles :
  • Intérêt pour les problématiques interdisciplinaires et volonté d'interagir avec des biologistes et des spécialistes de l'imagerie.
  • Capacité à travailler en équipe, curiosité scientifique et autonomie.
  • Bon niveau d'anglais écrit et oral pour la lecture, la rédaction d'articles et la participation à des conférences internationales.
Ce profil offrira au doctorant un cadre idéal pour développer des compétences solides en méthodes avancées d'IA tout en contribuant à une meilleure compréhension des mécanismes fondamentaux de la morphogenèse embryonnaire.We are looking for a highly motivated candidate with a strong interest in interdisciplinary research at the interface between artificial intelligence and developmental biology.Educational background:
  • Master's degree (MSc) or engineering diploma in computer science, applied mathematics, bioinformatics, biomedical imaging, or related fields.
  • Basic knowledge of cell or developmental biology is a plus but not mandatory.
Technical skills:
  • Solid experience with deep learning frameworks (PyTorch, TensorFlow, or equivalent).
  • Knowledge of image processing and analysis (ideally 3D or biomedical data).
  • Strong programming skills (Python required; C++ or other languages appreciated).
  • Familiarity with large-scale data management and high-performance computing (GPU, clusters) is an asset.
Personal qualities:
  • Interest in interdisciplinary problems and willingness to collaborate with biologists and imaging specialists.
  • Ability to work in a team, scientific curiosity, and autonomy.
  • Good proficiency in written and spoken English for reading, scientific writing, and presenting at international conferences.
This profile will provide the PhD candidate with an ideal framework to develop strong expertise in advanced AI methods, while contributing to a deeper understanding of the fundamental mechanisms of embryonic morphogenesis.Additional InformationWork Location(s)Number of offers available 1 Company/Institute Université de Montpellier Country France City Montpellier cedex 5 GeofieldSTATUS: EXPIREDShare this page

EURAXESS