Post-Doctorant F/H Sructured Riemannian Covariance Learning, application to brain connectivity

Le centre de recherche Inria de Saclay a été créé en 2008. Sa dynamique s’inscrit dans le développement du plateau de Saclay, en partenariat étroit d’une part avec le pôle de l’Université Paris-Saclay et d’autre part avec le pôle de l’Institut Polytechnique de Paris. Afin de construire une politique de site ambitieuse, le centre Inria de Saclay a signé en 2021 des accords stratégiques avec ces deux partenaires territoriaux privilégiés.

Le centre compte , dont 27 sont communes avec l’Université Paris-Saclay ou l’Institut Polytechnique de Paris. Son action mobilise plus de 600 personnes , scientifiques et personnels d’appui à la recherche et à l’innovation, issues de 54 nationalités.

Dans le cadre d’un partenariat PEPR brain health

L'objectif principal de ce projet est donc de développer des modèles de connectivité plus utilisables, en s'appuyant sur des estimations robustes de la covariance et en tenant compte de la structure des données.
Tout d'abord, nous proposons de revisiter le cadre riemannien afin d'incorporer plus systématiquement l'information préalable et la régularisation dans l'estimation des modèles de covariance. Deuxièmement, nous proposons d'aborder explicitement l'estimation des modèles de covariance pour les données structurées en
- Améliorer l'extraction d'informations à partir de données longitudinales, en distinguant les aspects spécifiques au sujet et les aspects longitudinaux du bruit d'échantillonnage.
- en renforçant l'invariance de l'origine dans les études multicentriques (voir par exemple [7]), mais le contexte de l'IRMf est très différent : dans l'IRMf, il n'y a pas d'incertitude quant à l'identification de la source. En ce qui concerne l'invariance par rapport à l'origine des données, nous proposons d'adopter une approche différente de celle de [10], en nous concentrant davantage sur la représentation riemannienne. En outre, nous aimerions réévaluer le cadre riemannien le mieux adapté : le cadre affine-invariant ou le cadre de Bures. L'avantage du cadre de Bures a été bien illustré dans [11]. bien illustré dans [11].

Développements techniques Une tâche de fond consiste à améliorer les estimateurs de connectivité basés sur le rétrécissement en prenant en compte la famille des distributions elliptiques au-delà du cas gaussien [12, 13, 14]. Nous évaluerons les avantages empiriques de ces estimations.
Nous étudierons d'abord la représentation tangente de la connectivité, qui semble être le cadre informatique approprié pour mettre en œuvre des opérations d'apprentissage automatique : traitement des changements de covariables avec des procédures de normalisation statistique ou de transport optimal, utilisation de méthodes contrastives pour la prédiction, génération de données avec des modèles génératifs, tels que les autoencodeurs variationnels (VAE). Cela inclut une compréhension plus approfondie du cadre riemannien pour l'analyse de la connectivité de l'IRMf : impact du point d'ancrage pour la représentation de la connectivité, régularisation optimale, rétrécissement ou réduction de la dimension pour obtenir des représentations précises.
Un aspect connexe est la mise à l'échelle de l'apprentissage sur les matrices de covariance pour traiter de grandes populations.
Validation sur des ensembles de données d'imagerie cérébrale Nous évaluerons systématiquement la qualité des solutions proposées en étudiant simultanément plusieurs problèmes de connectivité fonctionnelle prédictive, qui présentent des défis différents :
- Modélisation à grande échelle sur des données UKBB ou CamCAN ; UKBB soulève deux questions supplémentaires : les données proviennent de trois scanners différents, et l'étude fournira des données provenant de deux sessions de scanners.
- Données longitudinales structurées, avec l'ensemble de données OASIS 3, l'ensemble de données Senior (10 acquisitions longitudinales), l'ensemble de données du Human Connectome Project (4 acquisitions), l'IBC (état de repos par rapport aux données naturalistes).
- Données multicentriques : Abide, avec des données provenant de 17 sites différents, pour le diagnostic de l'autisme.

Le projet produira un code expérimental en Python, disponible en tant que projet open source, dans un souci de reproductibilité scientifique. Une attention particulière sera portée à la compatibilité avec les frameworks existants tels que Nilearn.
Les meilleures parties du code pourraient être incorporées dans Nilearn ou Geomstats.
Les expériences seront menées en utilisant des données disponibles sur les serveurs MIND, qui sont protégés.

Compétences techniques et niveau requis :

Langues :

Compétences relationnelles :

Compétences additionnelles appréciées :

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Sécurité sociale

2788 € brut / mois