Imagerie du réseau cellulaire dentaire par super-résolution en apprentissage profond

Ce projet vise à définir de nouvelles stratégies d'IA pour dépasser les limites actuelles des instruments d'imagerie biomédicale en ondontologie (dentaire) : obtenir une résolution sub-micronique afin de visualiser la porosité cellulaire à l'échelle d'une dent entière. Pour relever ce défi, nous utiliserons la super-résolution (SR) par apprentissage profond. Le processus repose essentiellement sur l'utilisation de modèles génératifs avec des données d'entrainement sous la forme de paires d'images à haute et basse résolution (HR/LR) afin de restaurer la HR sur des images acquises beaucoup plus rapidement. Dans cette étude, nous testerons de nouveaux modèles SR basés sur des architectures récentes pour l'apprentissage supervisé et non supervisé, qui pourraient mieux capturer les spécificités topologiques et géométriques du réseau de porosité de la dentine. Un objectif secondaire sera d'améliorer les métriques actuelles d'évaluation de la qualité d'image (IQA) afin de mieux quantifier l'efficacité des modèles SR.

Nous recherchons actuellement un étudiant en Master 2 ou en dernière année d'ingénierie dans l'un des domaines suivants : computer vision, génie biomédical, optique, physique des systèmes complexes ou mathématiques appliquées, avec une solide formation en programmation Python, en traitement d'images et idéalement en apprentissage automatique. Vos principales tâches consisteront à tester les modèles SR récents, à évaluer leurs performances et à déterminer la taille minimale des données d'entraînement.

Une poursuite en thèse est souhaitable sur financement de la chaire MIAI GeoSuperRes, visant à améliorer la conception des modèles SR en tirant parti de la géométrie et de la topologie.