Où docteurs et entreprises se rencontrent
Menu
Connexion

Développement de méthodes de tracking pour l’analyse de données en imagerie cellulaire

ABG-138856 Sujet de Thèse
30/04/2026 Autre financement privé
CEA/Leti
Grenoble 38000 - Auvergne-Rhône-Alpes - France
Développement de méthodes de tracking pour l’analyse de données en imagerie cellulaire
  • Physique
  • Science de la donnée (stockage, sécurité, mesure, analyse)
Computer vision; AI; Cellular imaging; Object tracking; Graph neural network

Description du sujet

Notre laboratoire développe des systèmes complets, allant de l’imagerie à la production de données biologiques essentielles pour nos partenaires industriels ou pour les objectifs scientifiques des projets. Une part importante de nos travaux est consacrée à l’analyse d’images.

Le suivi d’objets (tracking) constitue une étape clé, en particulier pour les données de type vidéo. En imagerie cellulaire, il permet d’étudier le comportement des cellules ainsi que l’évolution de leurs caractéristiques morphologiques, éléments essentiels à la compréhension des phénomènes biologiques.

Cette thèse vise à améliorer les solutions de tracking existantes en les adaptant à nos systèmes d’imagerie grand champ, et en les enrichissant grâce aux avancées récentes en intelligence artificielle (notamment les foundation models, l’apprentissage auto-supervisé, et les graph neural networks). Un accent particulier sera portée sur la détection d’anomalies dans les trajectoires, ainsi que sur l’intégration de contraintes liées au traitement embarqué.

Directrices de thèse: Marielle Malfante (CEA)/Sophie Achard (Inria/UGA)
Co-encadrement: Manon Damphoffer
 

Bibliographie

Allier C, Hervé L, Paviolo C, Mandula O, Cioni O, Pierré W, Andriani F, Padmanabhan K and Morales S (2022) CNN-Based Cell Analysis: From Image to Quantitative Representation. Front. Phys. 9:776805. doi: 10.3389/fphy.2021.776805

Bailly, R., Malfante, M., Allier, C. et al. Detecting abnormal cell behaviors from dry mass time series. Sci Rep 14, 7053 (2024). https://doi.org/10.1038/s41598-024-57684-w

Ben-Haim, T., & Raviv, T. R. (2022, October). Graph neural network for cell tracking in microscopy videos. In European Conference on Computer Vision (pp. 610-626). Cham: Springer Nature Switzerland.

Nature du financement

Autre financement privé

Précisions sur le financement

Bourse de thèse accordée par le CEA sur fonds propres

Présentation établissement et labo d'accueil

CEA/Leti

CEA-Leti is a recognized global leader in miniaturization technologies. CEA-Leti’s teams are focused on developing solutions that will enable future information and communication technologies, health and wellness approaches, clean and safe energy production and recovery, sustainable transport, space exploration and cybersecurity.
For more than 50 years, the institute has built long-term relationships with its industrial partners, tailoring innovative and differentiating solutions to their needs.
Its entrepreneurship programs have sparked the creation of 75 startups. CEA-Leti and its industrial partners work together through bilateral projects, joint laboratories and collaborative research programs.
CEA-Leti maintains an excellent scientific level by working with the best research teams worldwide, establishing partnerships with major research technology organizations and academic institutions. CEA-Leti is also a member of the Carnot Institutes network—a French network of 39 institutes serving innovation in industry.

Profil du candidat

Master 2 ou diplôme d’ingénieur en mathématiques appliquées, traitement du signal, IA ou domaine connexe.
Solides bases en machine learning, computer vision, Python
notion de modélisation par graph appréciée
Intérêt pour la bio-imagerie et le travail interdisciplinaire
Curiosité, autonomie, esprit critique et force de propositio
30/05/2026
Partager via
Postuler
Fermer

Vous avez déjà un compte ?

Nouvel utilisateur ?