Sujet de Thèse
Titre :
Méthodes d'apprentissage machine et statistiques supervisées pour la classification multi-catégories de cancers cutanés exploitant des jeux de données multidimensionnelles en spectroscopie UV-Vis-NIR in vivo, imagerie hyperspectrale et tomographie par cohérence optique
Dates :
2021/10/01 - 2024/09/30
Autre(s) encadrant(s) :
Prof. Yuri Kistenev (yv.kistenev@gmail.com)
Description :
La description détaillée de ce sujet est disponible en version anglaise (cf. cadre correspondant).

L'objectif de cette thèse est d'exploiter les données complémentaires issues de trois modalités de spectro-imagerie optique de caractérisation des tissus cutanés i.e. la spectroscopie d'autofluorescence et de réflectance diffuse résolue spatialement (SR-DRmAFS), la tomographie par cohérence optique confocale (LCOCT) et l'imagerie hyperspectrale (HSI). La combinaison de ces différentes approches doit permettre d'améliorer l'efficacité du diagnostic in vivo des lésions cutanées en particulier cancéreuses.
LCOCT, HSI et SR-DRmAFS permettent de recueillir respectivement (i) des images 3D (profondeur) hautement résolues spatialement des microstructures de la peau, (ii) des images de réflectance cutanée (surface) hautement résolues spectralement et spatialement et (iii) des informations fonctionnelles hautement résolues spectralement des propriétés d'absorption, de diffusion et d'autofluorescence de la peau.
Les validations expérimentales seront réalisées sur des fantômes optiques multicouches de peau, sur des modèles hybrides de peau ex vivo et sur patients en clinique.
Différentes stratégies de classification/d'apprentissage supervisé seront étudiées e.g. kernel Support Vector Machine, decision trees, Random Forests et neural networks. Un algorithme spécifique sera développé pour tenir compte de la spécificité des jeux de données collectées (diversité, variabilité, dimension etc.).
Département(s) : 
Biologie, Signaux et Systèmes en Cancérologie et Neurosciences