Implémentation d'un réseau équivariant pour améliorer la robustesse d'une méthode de segmentation de cellules en imagerie microscopique

Le centre Inria de l'Université de Rennes est un des neuf centres d’Inria et compte plus d'une trentaine d’équipes de recherche. Le centre Inria est un acteur majeur et reconnu dans le domaine des sciences numériques. Il est au cœur d'un riche écosystème de R&D et d’innovation : PME fortement innovantes, grands groupes industriels, pôles de compétitivité, acteurs de la recherche et de l’enseignement supérieur, laboratoires d'excellence, institut de recherche technologique

Pour faciliter et automatiser l'analyse de leur images de microscopie, les biologistes font très souvent appel à des méthodes automatiques basées sur l'apprentissage profond. Les algorithmes les plus utilisées sont Cellpose et StarDist. Ces méthodes fonctionnent efficacement pour les images 2D mais sont plus complexes à utiliser pour des applications 3D. Cela est dû notamment à la difficulté d'obtenir la vérité terrain, indispensable à l’entraînement de ce genre de méthodes supervisées.

Une possibilité pour pallier le manque de paires image/vérité-terrain peut être d’entraîner le réseau considéré sur une base de données synthétiques (pour lesquelles on dispose de la vérité terrain correspondante) les plus similaires possible aux données réelles obtenues expérimentalement. Une telle approche est souvent peu efficace car les données simulées ne reproduiront pas totalement toute la variabilité des observations réelles et une chute de performances sera observée lors de l'utilisation du réseau sur les données réelles ("domain shift").

Un réseau satisfait la propriété d'équivariance par rapport à une classe de transformation (ex: rotation, translation, changement d'échelle, ...) si quand l'entrée du réseau subit une transformation, le résultat fourni par le réseau est influencé de manière identique par la transformation (en d'autres termes la transformation et le réseau commute). L'ajout de propriétés d'équivariance dans les réseaux profonds est de plus en plus utilisé pour diverses raisons : régularisation de problèmes inverses, robustesse au bruit, ...

L'objectif du stage est d'implémenter une version de StarDist 3D qui incorpore des propriétés d'équivariance à la normalisation afin d'évaluer la robustesse d'un tel réseau au "domain shift" en l'entrainant sur des bases de données synthétiques et en l'évaluant sur des données réelles.

- étudiant de M1 ou M2,
- être à l'aise avec Python,
- avoir déjà entraîné des réseaux de neurones de manière supervisé (idéalement avec Pytorch),
- être à l'aise avec l'anglais scientifique/pouvoir lire des articles scientifiques en anglais.

• Restauration subventionnéed'absence exceptionnelle (ex : enfants malades, déménagement)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)