Imagerie Raman augmentée pour le diagnostic oncologique : acquisition adaptative et reconstruction par apprentissage profond // Augmented Raman imaging for Oncological Diagnosis: Adaptive Acquisition and Deep Learning Reconstruction

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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis aims to develop an augmented Raman microscopy platform for oncological diagnosis. While histopathology remains the gold standard for diagnosing solid cancers, its qualitative nature and the resulting inter-observer variability call for complementary approaches that are more objective and reproducible. Raman microspectroscopy offers a promising alternative: requiring neither chemical labeling nor invasive preparation, it directly reveals the spatial distribution of molecular constituents within native tissue, providing a rich and specific biochemical fingerprint. However, its clinical deployment faces a fundamental obstacle: the low efficiency of Raman scattering necessitates long acquisition times, limiting analyzable areas to a few hundred micrometers, far from the surfaces of several hundred square millimeters required by current pathological practice.

This research work addresses this challenge by coupling advanced deep learning methods with intelligent acquisition strategies. The developed approaches combining convolutional neural networks, generative models, and adaptive acquisition algorithms— im to reconstruct complete and faithful molecular maps from rapidly acquired data, enabling fields of view compatible with clinical requirements. By bridging expertise in optical instrumentation, artificial intelligence, and anatomical pathology, this project contributes to establishing Raman spectroscopy as a viable tool for precision medicine in oncology.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Other public funding

ANR Financement d'Agences de financement de la recherche

Université de Lille

104 Sciences de la Matière du Rayonnement et de l'Environnement

Master en chimie, biologie. Compétences en apprentissage profond ou spectroscopie appréciées. Autonomie, interdisciplinarité et anglais scientifique courant requis.
Master's degree in chemistry, biology. Skills in deep learning or spectroscopy are an asset. Autonomy, interdisciplinary aptitude, and proficient scientific English are required.