Titre de la thèse : Combination of multimodal optical spectroscopy and machine learning methods for non invasive in vivo diagnostic aid of precancerous and cancerous skin lesions in preclinical and clinical studies
Résumé du projet de thèse : L’objectif du projet est de combiner trois techniques spectroscopiques complémentaires pour améliorer le diagnostic in vivo des lésions cutanées, y compris les cancers (MSCs et NMSCs) : La tomographie confocale à cohérence optique à champ linéaire, l’imagerie hyperspectrale et les spectroscopies d’auto-fluorescence (AFS) et de réflectance diffuse (DRS). Ces méthodes fournissent des informations fonctionnelles sur l’absorption, la diffusion et l’autofluorescence de la peau avec une haute résolution spectrale. Des expériences seront réalisées sur des fantômes optiques multicouches absorbants, diffusants et fluorescents, sur des modèles hybrides peau-gel ex vivo et dans des cliniques sur des patients avec des MSC et des NMSC de la peau. Diverses stratégies de classification par apprentissage automatique supervisé, y compris le noyau de la machine à vecteurs de support (SVM), les arbres de décision, les forêts aléatoires et les réseaux neuronaux seront explorés, et un algorithme spécifique pour le traitement des données multidimensionnelles de l’IA sera développé, en tenant compte de la spécificité des données collectées (diversité, dimensionnalité, etc.).
Thesis abstract: The aim of the project is to combine three complementary spectroscopic techniques to improve the in vivo diagnosis of skin lesions, including cancers (MSCs and NMSCs): Line-field Confocal Optical Coherence Tomography, Hyperspectral imaging and AutoFluorescence (AFS) and Diffuse Reflectance (DRS) spectroscopies. These methods provide functional information on absorption, scattering and autofluorescence of the skin with high spectral resolution. Experiments will be performed on multilayer absorbing, scattering and fluorescing optical phantoms, ex vivo hybrid skin-gel models and in clinics on patients with skin MSCs and NMSCs. Various supervised machine learning classification strategies, including Support Vector Machine (SVM) kernel, decision trees, Random Forests and neural networks will be explored, and a specific algorithm for processing multidimensional AI data will be developed, taking into account the specificity of the collected data (diversity, dimensionality, etc.).
Membres du jury :
– M. DAUL Christian ( Professeur des universités UNIVERSITE DE LORRAINE – christian.daul@univ-lorraine.fr ) CoDirection de thèse
– M. KISTENEV Yury ( Professeur Tomsk State University – yuk@iao.ru ) Direction de thèse
– Mme AMOUROUX Marine ( Ingénieure de recherche UNIVERSITE DE LORRAINE – marine.amouroux@univ-lorraine.fr ) Coencadrement de thèse
– Mme CONDE PROTILLA Olga ( Professeure des universités Universidad de Cantabria – olga.conde@unican.es ) Examinateur
– M. GUERMEUR Yann ( Directeur de recherche Université de Lorraine – yann.guermeur@loria.fr ) Examinateur
– Mme HUMEAU-HEURTIER Anne ( Professeure Université d’Angers – anne.humeau@univ-angers.fr ) Rapporteur pdf
– M. DUNAEV Oleg ( Professeur Orel State University – dunaev@bmecenter.ru ) Rapporteur pdf
– M. HOHMANN Martin ( Docteur Insitute of Photonic Technologies – martin.hohmann@lpt.uni-erlangen.de ) Examinateur
– M. CHEREPANOV Victor ( Professeur Laboratory for Quantum Mechanics and Molecular Radiation Processes, Tomsk State University – vnch@phys.tsu.ru ) Invité
– M. BLONDEL Walter ( Professeur UNIVERSITE DE LORRAINE – walter.blondel@univ-lorraine.fr )
Lieu de soutenance : ENSEM, salle 124 Jaune (salle de réunion du CRAN)