In this section, you will find internships, thesis, post-doctorates, fixed-term and permanent contract vacancies in the network’s partner laboratories.
Liste des annonces
Stage Master 2 en biologie – 6 mois
Le projet SCANnTREAT a pour ambition de développer une technologie révolutionnaire qui contribuera à augmenter considérablement le taux de survie des patients à cinq ans et à améliorer leur qualité de vie. Cette technologie innovante permettra un traitement efficace des cancers, même radio-résistants, avec peu d'effets secondaires, et facilitera un diagnostic précis ainsi qu'un suivi in situ du traitement. Ce qui distingue cette approche, c'est la possibilité de réaliser simultanément toutes ces étapes avec une seule machine, réduisant ainsi le stress et l'inconfort pour les patients. Cette avancée technologique pourrait également avoir un impact significatif sur les dépenses des systèmes de santé européens liés au traitement et au suivi des cancers.
SCANnTREAT repose sur l'association de technologies de pointe : le scanner à comptage de photons spectral (SPCCT), une modalité d'imagerie révolutionnaire, et une nouvelle thérapie par photothérapie dynamique activée par rayons X (X-PDT). L'harmonie entre ces deux technologies sera assurée par des nanoparticules spécifiquement conçues, agissant à la fois comme agents de contraste et agents thérapeutiques.
Responsabilités :
• Participer à la veille scientifique et technique.
• Contribuer à la mise en place et à l'évaluation des protocoles expérimentaux.
• Réaliser et suivre des essais en laboratoire.
• Communiquer avec les équipes projets et collaborer avec les partenaires industriels sur différents aspects du projet.
• Participer à la diffusion des résultats scientifiques et des avancées technologiques à travers des présentations et des publications.
Mobilité interne CNRS : Ingénieur(e) d’étude en imagerie échographique et photoacoustique à Montpellier
L’ingénieur(e) en expérimentation et instrumentation biologiques aura pour mission de concevoir et de mettre en œuvre des technologies de pointe visant à fusionner l’imagerie ultrasonore haute résolution ultrarapide avec l’imagerie photoacoustique in vivo. Par ailleurs, ces développements technologiques seront transférés et valorisés sous forme de prestations auditables proposées par la plateforme IPAM-BioCampus Montpellier, intégrée à France Life
Imaging. L’ingénieur(e) contribuera également à la conception et à la mise en œuvre d’outils d’analyse d’images spécifiques, tout en guidant et conseillant les utilisateurs de la plateforme IPAM sur les meilleures pratiques en matière d’analyse d’images.
Description des activités :
- Analyser les besoins scientifiques et technologiques de la communauté scientifique dans le
domaine de l’imagerie ultrasonore in vivo
- Réaliser les développements technologiques permettant de répondre à ces besoins
- Mettre en place les séquences d’acquisition permettant l’utilisation optimale et reproductible
des nouvelles technologies ultrasonore haute résolution ultrarapide associée à la
photoacoustique
- Mettre au point des procédures novatrices de microchirurgie mini-invasives guidées par
échographie /photoacoustique
- Transférer et réaliser des protocoles d'exploration non-invasive par échographie
ultrasonore/photoacoustique in vitro et in vivo dans le cadre de la démarche qualité de la
plateforme IPAM certifiée ISO 9001
- Analyser les résultats et participer à leur mise en forme pour exploitation.
- Mettre en œuvre et faire appliquer la législation et les procédures, les transmettre.
- Recueillir et mettre en forme les informations nécessaires à la bonne conduite de
l’expérimentation animale ou requises par la réglementation.
CDD Ingenieur Developpement Logiciel Analyse Images IRM de l’aorte humaine
Les maladies cardiovasculaires impliquent souvent une atteinte de l’aorte, la plus grosse artère située en sortie du cœur qui véhicule le sang oxygéné vers tout l’organisme. En effet, à chaque battement cardiaque, l’aorte subit des contraintes mécaniques sous haute pression qui peuvent être accentuées par des conditions très répandues dans la population générale telles que l’hypertension, le diabète ou l’obésité, et qui altèrent la géométrie aortique mais aussi les propriétés élastiques de sa paroi, ainsi que l’écoulement du sang y circulant. Cependant à ce jour, seule la mesure du diamètre aortique, réalisée sur des images médicales en 2D, est considérée pour diagnostiquer, évaluer le degré de sévérité et opérer les patients atteints de maladies aortiques, telles que l’anévrisme, alors que la rupture peut survenir même à des diamètres en-dessous des seuils recommandés. Notre hypothèse est l’évaluation multiparamétrique des altérations aortiques offerte par l’IRM : au niveau fonctionnel, de la paroi et de l’hémodynamique, en complément et au-delà de la géométrie, fournirait une prédiction du risque personnalisée plus précise et ainsi une prise en charge individuelle plus adaptée à chaque patient.
En revanche, un examen IRM dure longtemps et présente un coût élevé ainsi que des délais d’attente. Par ailleurs, la lecture des nombreuses images générées lors de l’IRM peut s’avérer complexe et fastidieuse. L’équipe d’imagerie cardiovasculaire (iCV) du Laboratoire d’Imagerie Biomédicale (LIB, Sorbonne Université) est spécialisée dans le développement de logiciels pour faciliter et accélérer l’analyse des images IRM aortiques, et a déjà conçu plusieurs outils développés pour lire, visualiser les images et fournir des mesures de la géométrie, l’élasticité et l’hémodynamique du flux sanguin, à partir de différentes séquences IRM.
Missions
L’ingénieur(e) recruté(e) sur ce projet aura pour missions de :
- Regrouper et si nécessaire traduire, optimiser les logiciels de traitement d’images déjà développés au sein d’iCV historiquement sous Matlab, C/C++ et plus récemment Python, sous une solution unique qui soit conviviale, intuitive et puisse être facilement prise en main, rapide et la plus automatisée possible, libre (préférablement en Python)
- Intégrer les fonctionnalités en cours de développement, notamment les modèles d’apprentissage profond pour automatiser les étapes de segmentation mis au point par les doctorants de l’équipe
- Ajouter les fonctionnalités manquantes, telles que la lecture et l’analyse de nouvelles images ou nouveaux formats IRM récemment disponibles notamment pour la caractérisation tissulaire de la paroi aortique, l’implémentation de critères permettant d’évaluer la qualité des images ou la quantification d’indices plus avancés
- Rédiger la documentation technique et le guide utilisateur
- Interagir et assurer un suivi avec les utilisateurs de l’outil développé, dont les expertises sont complémentaires en IRM, traitement d’images, développement logiciel, intelligence artificielle et expertise clinique, radiologique et cardiovasculaire : chercheurs, radiologues, technicien(ne) recruté(e) sur le projet, doctorants, stagiaires de M2
Ces missions seront menées au LIB à Paris (15 rue de l’Ecole de Médecine) et le budget du projet inclut aussi l’achat de matériel informatique performant et l’équipe dispose de serveurs de calcul et de stockage et des données IRM annotées. Les résultats obtenus seront partagés dans des revues et conférences spécialisées mais aussi auprès du grand public lors de rencontres notamment à la Fête de la Science.
Postdoctoral position – 2024 Microstructural analysis in late-life depression using diffusion MRI multi-compartments models and tractometry
To advance in the understanding of apathy physiopathology in LLD, we conducted a study which
evaluated the relationship between patterns of motor activity measured by actigraphy, and brain modifications of white matter microstructure.
This study found two patterns of motor activity associated with apathy: a reduced diurnal mean activity, and an early chronotype pattern.
These patterns of motor activity were associated with modified intra-network resting-state functional connectivity in key regions associated with the default-mode, the cingulo-opercular and the frontoparietal network. However, our preliminary work on microstructure metrics estimated from diffusion weighted imaging did not find significant associations between microstructural metrics of white matter and patterns of motor activity after adjustment for multiple. To detect more subtle links such as those between patterns of motor activity and microstructure, our approach needs to be improved.
This project will focus on two major subjects:
- Developing a more accurate estimation and projection of microstructure metrics along the
fiber as well as a new statistical method taking into account the shape complexity of the fibers.
- Extracting more accurate markers of patterns of motor activity measured by actigraphy
The developed approach will be tested on a cohort of patients suffering from late-life depression, with the aim of better estimating the microstructure and thus better understanding the neuronal modifications caused by this disease and apathy.
1-year Postdoctoral Position Disentangled and Controllable Latent Representations for Computer Vision and Medical Imaging
Neuroimaging application :
The unsupervised separation of the healthy latent patterns from the pathological ones is not a trivial task in medical imaging. In neuroimaging, pathological brain signatures of psychiatric or neurodevelopmental disorders are not easily visible with the naked eye, even for experienced radiologists. The automatic identification of prognostic brain signatures of clinical courses would pave the way towards personalised medicine in psychiatry. In this project, following our recent works in contrastive analysis (CA), we wish to discover in an unsupervised way the salient imaging patterns that characterize a target dataset of psychiatric patients compared to a control dataset of healthy subjects, as well as what is common between the two domains. Current SOTA methods are based on VAE. However, they all ignore important constraints/assumptions and the generated images have a rather poor quality, typical of VAEs, which decrease their interpretability and usefulness.
Objectives :
- Study and understand the recent advances in disentanglement of latent spaces;
- Review literature on diffusion models with latent spaces;
- Adapt more recent, well-performing models, such as diffusion models, to the CA framework for neuroimaging
RESEARCH ENGINEER IN MRI at CERMN Caen
The recruited research engineer will contribute to the CrIM research project funded by Nor-mandie Valorisation, a project aiming at developing new diagnostic tools for Magnetic Re-sonance Imaging (MRI) using hyperpolarized xenon. This project is developed through a close collaboration between Centre d'Etude et de Recherches sur le Médicament de Normandie (CERMN, boulevard Henri Becquerel, 14000 CAEN, FRANCE; http://cermn.unicaen.fr/), the Laboratory of Catalysis and Spectrochemistry (LCS, boulevard Maréchal Juin, 14000 CAEN; https://www.lcs.ensicaen.fr/) and the Physiopathology and imaging laboratory of neurological disorders (PhIND, UMRs 1237 INSERM, bou-levard Henri Becquerel, 14000 CAEN) and the Blood and Brain Institute @ Caen-Normandie.
Hyperpolarized xenon MRI is an emerging clinical diagnostic technique currently developed for pulmonary functional imaging, with high potential for applications in brain imaging. Since 2019, the CERMN laboratory has been developing a new generation of contrast agents adapted to xenon. The LCS laboratory has expertise in xenon hyperpolarization applied to the study of materials. The objective of CrIM project is to translate these different skills to preclinical MRI as proof of concept.
The recruited research engineer will be trained to use the xenon polarizer, and will have to perform maintenance of this apparatus. He/she will have to continue the implementation of hyperpolarized xenon at the imaging center GIP CYCERON and will actively participate to the in vivo MRI experiments. Data acquisition will be performed on Bruker apparatus. The recruited research engineer will be based in both LCS and PhIND laboratories, under the scientific responsibility of the principal investigator of the project, and will work in close collaboration with CERMN collaborators and Cyceron platform.
Postdoctoral position in organic synthesis / fluorine-18 radiochemistry (12 months)
CONTEXT
Positron Emission Tomography (PET) imaging is a major diagnostic tool in medicine for the detection and the monitoring of a wide range of diseases. This imaging technique relies on the injection of a molecule labeled with a positron emitter, a short-lived radioisotope such as fluorine-18 (T1/2 = 109 min). The radioactivity can then be precisely and quantitatively detected by a PET camera to visualize the distribution of the labeled compound.
We aim to use PET imaging for the in vivo detection of metal ions, and more particularly Zn2+, using a dedicated labeled peptide. Indeed, metal ions are involved in many fundamental biological processes and an altered regulation of the concentration of metal ions can be associated with acute and long-term diseases. Zinc is of particular interest as it is an essential micronutrient and imbalance of zinc concentration has been associated with diabetes, neurodegenerative diseases, cancers and epilepsy.
PROJECT
This ANR-funded project aims to design novel bioinspired MRI contrast agents (CAs) based on zinc-finger peptides for the detection of Zn2+ in vivo in the extracellular media. These CAs will be designed by collaborators in Grenoble and Orléans and PET imaging will be used to quantify their biodistribution and help establish a proof-of-concept with a dedicated diabetes model.
In this context, the postdoctoral candidate will work on fluorine-18 labeling of zinc-finger peptides developed by our collaborators. To reach this goal, the preparation of [18F]-fluoride/aluminum complexes or the formation of [18F]-fluoride/boron bonds and their use for the radiolabeling of model compounds will be implemented on a radiosynthesis automate. The most successful conditions will then be applied to relevant compounds for PET imaging and biodistribution studies.
Starting date: The position is to be filled from January 2025
PhD thesis on AI for the segmentation of biomarkers of cardiovascular Risk on 3D-CT
Ischemic heart disease, heart failure, and atrial fibrillation are conditions responsible for a very high cardiovascular mortality. The cardiac scanner is an imaging method that is increasingly used in these conditions, even if its analysis remains subjective, sometimes long and dependent on the expertise of the operator. Artificial intelligence methods offer new perspectives in this field because they are potentially fast, partially or even totally automated to quantitatively analyze conventional or complex and new biomarkers by using radiomics concepts. However, all these post treatment methods in full development today need to be rigorously validated before being used in daily patient care.
The project that we propose to carry out here within the framework of a PhD thesis in medical imaging (University of Paris) is located at the interface of the development and the validation of these new approaches, hence the collaboration between the company Siemens Healthineers which develops these new approaches of AI and an academic center which has a big expertise of cardiac imaging, particularly in scanner because this center carries out more than 2500 cardiac scans per annum since more than 10 years
To conduct such study, we propose the following steps:
1. Identification and collection of a base of more than 12,000 patients having benefited from a scanner during a hospitalization in our institution during the last 15 years in order to constitute a base of development and deep learning of the various methods of AI (CAVIAR cohort).
2. Semi-manual segmentation of cardiac structures of interest with conventional tools proposed by Siemens and/or internal to our research institution for the labeling of various biomarkers, candidate for the estimation of cardiovascular risk (coronary, valvular, aortic calcification, size of the left atrium and other cardiac cavities, mediastinal fat ...).
3. Analysis, validation of conventional methods of post treatment of theses biomarkers insufficiently validated by the scanner on these deep learning data bases.
4. Participation in the development of AI methods with Siemens and academic partners.
5. Analysis and validation of AI methods in the estimation of conventional and new biomarkers brought by the AI method itself.
Chargé.e de mission développement d’expérimentation (MEG)
Réaliser l’implantation d’un équipement de MEG nouvelle génération en lien avec un fournisseur français déjà identifié et avec un groupe d’utilisateurs de renommée internationale à fédérer autour du cahier des charges à rédiger en fonction de leurs protocoles de recherche qui concernent soit des thématiques très applicatives telles que l’épilepsie, les comas jusqu’à des recherches très fondamentales sur le fonctionnement neuronal.
Il faudra déterminer le lieu d’implantation au CHU Purpan en documentant s’il convient mieux que ce soit dans les locaux du pavillon Baudot ou dans ceux des services hospitaliers.
Il y aura également un financement complémentaire à demander au conseil régional dans le cadre du défi- clé Quantique, ce qui amènera à identifier des sujets de collaboration avec des laboratoires Toulousains de
Physique fondamentale pour rédiger une demande dans le cadre de l’appel d’offre PRIO d’accompagnement des plateformes en émergence.
Plusieurs équipements du même type seront installés dans d’autres villes dans le cadre de la même opération nationale et vous devrez vous intégrer dans le réseau des chargé.es de mission de FRANCE LIFE IMAGING ce qui optimisera les efforts d’implantation de tous. Certaines villes telles que Marseille ont une vaste expérience de la MEG première génération et vous bénéficierez du retour d’expérience de ces collègues.
Enfin il faudra établir des règles de fonctionnement collectif permettant la labellisation de la plateforme par GENOTOUL.
PhD thesis Deep learning for assisting clinical decisions in brain imaging: trustworthy validation and benchmarking
This PhD project aims at obtaining a general methodological and experimental framework for trustworthy and reproducible validation and benchmarking of deep learning methods in brain imaging and performing large-scale experiments.
Specific objectives are as follows:
- Enrich the framework with more advanced deep learning models, more tasks and more datasets
- Better account for specificities of brain imaging (multiple acquisitions over time, multiple scanners, multiple hospitals, multiple datasets, multiple disorders)
- Propose an adequate inferential statistics framework for both model validation and model comparison
- Perform benchmarking experiments across deep learning (and also standard machine learning) models, tasks, diseases and datasets to create a new standard for the community
- Demonstrate the importance of accounting for brain imaging specificities when evaluating models
- Implement the approaches in open-source software, in particular ClinicaDL so that they can benefit the entire scientific community