Thèse Imagerie Raman Augmentée pour le Diagnostic Oncologique Acquisition Adaptative et Reconstruction par Apprentissage Profond H/F - Doctorat.Gouv.Fr

Établissement : Université de Lille
École doctorale : Sciences de la Matière du Rayonnement et de l'Environnement
Laboratoire de recherche : LAboratoire de Spectroscopie pour les Interactions, la Réactivité et l'Environnement
Direction de la thèse : Jean-Emmanuel CLEMENT ORCID 0009000679630276
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-25T23:59:59

Cette thèse vise à développer une plateforme de microscopie Raman augmentée par intelligence artificielle pour le diagnostic oncologique. L'histopathologie demeure le gold standard du diagnostic des cancers solides, mais sa nature qualitative et la variabilité inter-observateur qu'elle engendre nécessitent des approches complémentaires plus objectives et reproductibles. La micro-spectroscopie Raman offre une alternative prometteuse : sans marquage chimique ni préparation invasive, elle révèle directement la distribution spatiale des constituants moléculaires du tissu natif, fournissant une empreinte biochimique riche et spécifique. Son déploiement clinique se heurte cependant à un obstacle fondamental, la faible efficacité de la diffusion Raman impose des temps d'acquisition longs, limitant les zones analysables à quelques centaines de micromètres, loin des surfaces de plusieurs centaines de millimètres carrés qu'exige la pratique pathologique courante.
Le travail de recherche s'inscrit dans ce contexte et s'appuie sur le couplage de méthodes avancées d'apprentissage profond et de stratégies d'acquisition intelligente pour lever ce verrou. Les approches développées, combinant réseaux de neurones convolutionnels, modèles génératifs et algorithmes d'acquisition adaptative, visent à reconstruire des cartographies moléculaires complètes et fidèles à partir de données acquises rapidement, ouvrant l'accès à des champs de vue compatibles avec les exigences cliniques. En croisant les disciplines en instrumentation optique, en intelligence artificielle et en anatomopathologie, ce projet contribue à faire de la micro-spectroscopie Raman un outil viable pour la médecine de précision en oncologie.

L'histopathologie demeure le gold standard du diagnostic oncologique, mais reste qualitative, et sujette à une variabilité inter-observateur reconnue. La micro-spectroscopie Raman offre une alternative prometteuse : elle révèle la distribution spatiale des constituants moléculaires directement à partir du tissu natif, sans marquage chimique. Son déploiement clinique se heurte cependant à un verrou majeur : la faible efficacité de la diffusion Raman impose des temps d'acquisition longs, limitant les zones analysables à quelques centaines de micromètres, loin des surfaces de plusieurs centaines de millimètres carrés qu'exige la pratique pathologique.

Il consistera (1ère année) à prendre en main la plateforme instrumentale et à constituer des bases de données spectrales de référence. Le candidat développera les premières architectures CNN pour restaurer les signaux à bas SNR, et former des images Raman hautes résolutions. La deuxième année sera consacrée au développement et à l'optimisation de la stratégie d'acquisition adaptative (algorithme Multi-arm-bandit). Avec l'appui de pathologistes partenaires, la troisième année de thèse sera dédiée à la validation clinique du système, en corrélant les cartographies moléculaires reconstruites aux diagnostics standards.

Les cartographies Raman seront acquises sur tissus tumoraux natifs à l'aide d'une plateforme de micro-spectroscopie confocale, selon un protocole standardisé garantissant la reproductibilité des conditions d'acquisition. Une base de données spectrales de référence sera constituée à partir de tissus annotés par des pathologistes, couvrant plusieurs types tumoraux et niveaux de rapport signal-sur-bruit. La simulation de données dégradées reposera sur un modèle de bruit Poisson-Gaussien physiquement réaliste, intégrant le bruit de photons, le bruit de lecture du détecteur et le fond optique, afin de générer des paires spectre bruité / spectre de référence pour l'entraînement supervisé. Des architectures de réseaux de neurones convolutionnels (CNN) seront développées et optimisées pour le débruitage spectral et la super-résolution des cartographies Raman, en explorant également les modèles de diffusion génératifs comme alternative pour la modélisation de distributions spectrales complexes. La qualité de reconstruction sera évaluée par des métriques spectrales quantitatives (SNR, SSIM, fidélité des pics Raman) ainsi que par la pertinence diagnostique des cartographies reconstruites. En parallèle, une stratégie d'acquisition adaptative sera développée à partir d'algorithmes Multi-Armed Bandit, dans lesquels chaque région tissulaire candidate constitue un bras dont la récompense est définie par l'entropie spectrale locale , une région à forte entropie traduisant une hétérogénéité moléculaire élevée et donc une valeur informationnelle prioritaire pour le diagnostic. Ce critère d'entropie guidera dynamiquement l'allocation des temps d'acquisition, concentrant les mesures sur les zones les plus discriminantes tout en limitant le nombre total de pixels échantillonnés. L'ensemble du système sera finalement validé en conditions cliniques par corrélation des cartographies moléculaires reconstruites aux diagnostics histopathologiques de référence

Master en chimie, biologie. Compétences en apprentissage profond ou spectroscopie appréciées. Autonomie, interdisciplinarité et anglais scientifique courant requis.