Génération de vidéos synthétiques de membres du corps humain avec signal PPG et estimation de la carte de perfusion par apprentissage profond

Le LCOMS est un laboratoire pluridisciplinaire appartenant à l’Université de Lorraine (UL). L'équipe de recherche proposant ce stage développe depuis une dizaine d'année des méthodes permettant de mesurer et estimer des signaux physiologiques et des paramètres biomédicaux par des techniques sans contact, en particulier par analyse vidéo.

La photopléthysmographie (PPG) est une technique optique permettant de mesurer les variations de volume sanguin dans les tissus. Lorsque des caméras sont utilisées pour acquérir ces signaux sur la surface de membres du corps humain (bras, jambes, etc.) — remote PPG —, il est possible d'en déduire des informations sur la microcirculation sanguine, synthétisées sous la forme d'une carte de perfusion.

L'entraînement de modèles d'intelligence artificielle pour estimer ces cartes requiert un grand nombre de données annotées, difficiles à obtenir en pratique. Ce stage vise à pallier ce manque par la génération de données synthétiques et le développement d'un modèle d'estimation.

Le travail s'articulera autour de trois axes :

1. Génération de vidéos synthétiques de membres du corps humain

• À partir d'une image statique d'un membre du corps humain (bras, jambe, etc.), générer une séquence vidéo en dupliquant l'image et en y modulant les valeurs de pixels selon un signal PPG de référence ;
• Appliquer les variations chromatiques correspondant aux pulsations cardiaques de manière physiologiquement réaliste (amplitude, fréquence, forme d'onde) ;
• Produire un jeu de données diversifié en faisant varier les paramètres du signal PPG (fréquence cardiaque, amplitude, rapport signal/bruit).

2. Calcul des cartes de perfusion sur les vidéos synthétiques

• Mettre en œuvre les méthodes de traitement du signal permettant d'extraire le signal PPG pixel par pixel à partir des vidéos synthétiques ;
• Calculer pour chaque pixel des indicateurs de perfusion (amplitude, cohérence temporelle, etc.) afin de constituer une carte de perfusion ground truth ;
• Valider la cohérence des cartes obtenues vis-à-vis des paramètres d'entrée utilisés lors de la génération.

3. Développement d'un modèle IA d'estimation de la carte de perfusion

• Concevoir et entraîner un modèle de deep learning (par exemple un réseau convolutif ou un transformeur vidéo) capable d'estimer la carte de perfusion directement à partir d'une vidéo d'un membre du corps humain ;
• Exploiter les couples (vidéo synthétique, carte de perfusion) comme données d'entraînement supervisé ;
• Évaluer les performances du modèle et sa capacité à généraliser à des vidéos réelles ;
• Contribuer à la rédaction d'une publication scientifique présentant les résultats obtenus.

Le candidat ou la candidate devra disposer de compétences solides en informatique appliquée et en intelligence artificielle, notamment en apprentissage profond et en traitement d'images. Des connaissances en traitement du signal sont souhaitées. Une bonne maîtrise du langage Python (PyTorch ou TensorFlow, OpenCV) est attendue.

Ce stage permettra à l'étudiant d'acquérir une expertise à l'intersection du traitement vidéo, de la génération de données synthétiques et de l'apprentissage profond appliqué au domaine médical. La capacité à produire des données d'entraînement contrôlées et à évaluer des modèles d'estimation est une compétence directement valorisable en entreprise comme en recherche.

Les stages en laboratoire ouvrent des opportunités de poursuite en thèse. Le LCOMS entretient également des liens avec des partenaires industriels qui peuvent être intéressés par les meilleurs profils que nous leur recommandons.