Suivez

la liste

Dans le cadre d’une collaboration entre le laboratoire PPRIME (UPR CNRS/ENSMA/Université de Poitiers) et le laboratoire XLim (UMR CNRS/Université de Poitiers/Université de Limoges), un ensemble d’outils de segmentation 3D basé sur du machine learning par apprentissage supervisé et des outils de traitement d’images spécifiques ont été développées en python (notebooks jupyter) à partir de bibliothèques telles que numpy, VTK, TensorFlow ..., et appliquées à des images tomographiques de matériaux composites tissés 3D. Pour segmenter et classifier automatiquement les constituants du composite, différentes approches basées sur les réseaux de neurones ont été développées et combinés : un réseau neuronal dense alimenté par des caractéristiques extraites du tenseur de structure monogénique, et un réseau de neurones convolutif. L'utilisation de l'imagerie 3D afin d'analyser les microstructures de matériaux hétérogènes tels que les composites tissés 3D nous renseignent sur leur architecture interne (orientation des torons), la présence éventuelle de défauts et sur leur évolution lors d'une sollicitation mécanique ou d'un vieillissement. En outre, ces outils permettent ensuite la construction de modèles numériques pour alimenter la compréhension du comportement et des modes d'endommagement du matériau.
Nous souhaitons proposer un stage de fin d’étude à un futur diplômé (master et/ou école d’ingénieur) pour pouvoir intégrer ces outils dans une interface permettant de facilement manipuler les données 3D (sélection, interaction). En intégrant des modèles d'apprentissage automatique de segmentation 3D développées dans un cadre de visualisation scientifique disponibles dans des logiciels tels que paraview, 3Dslicer,... [2],[3],[4], proposés par la société Kitware, le but du stage est de pouvoir facilement manipuler et labelliser des images de données tomographiques. L’interface devra permettre de manipuler les images 3D, de lancer les traitements automatisés et d’interagir avec l’utilisateur non expert. Certaines étapes en particulier, nécessitent une interaction importante avec l’utilisateur (préparation et étiquetage des données). Enfin l’interface devra pouvoir permettre de visualiser et d’exploiter les résultats.
L’objectif est d’offrir à partir d’un POC un outil clés en main ; le travail demandé lors du stage vise à intégrer la chaine de traitements (traitements d’image, apprentissage supervisé, sélection de données dans l’interface graphique) dans des plugins disponibles dans les logiciels de traitement d’image ou de visualisation (par exemple [1]), en se basant sur des cas d’usage classiques. Ces nouveaux développements pourront par la suite être diffusé au sein de la communauté scientifique en open-source.
Ce stage permettra aussi d’aborder deux aspects importants concernant l’IA :

  • La compréhension, l’analyse et l’amélioration d’algorithmes basés IA pour l’image
  • L’industrialisation, notamment à travers les test et l’assurance qualité et la mise ne place d’une interface, de la solution IA.

[1] https://gitlab.kitware.com/paraview/paraview/-/tree/master/Examples/Plugins/PythonOnlyExample
[2] https://www.paraview.org/
[3] https://www.slicer.org/
[4] https://docs.monai.io/projects/label/en/latest/index.html