Basée au LS2N, et sous la responsabilité de co-encadrants basés au LS2N et à l’IRISA (Rennes, Vannes), la personne recrutée prendra en charge la réalisation du Workpackage WP2 du projet SPARS (Sequential Pattern Analysis in Robotic Surgery: Understanding Surgery). Le projet SPARS est piloté par l’équipe MediCIS DU LTSI (Laboratoire Traitement du Signal et de l'Image ; Inserm, Université de Rennes 1).
Les données qui seront analysées au cours du WP2 sont des trajectoires enregistrées pendant des opérations chirurgicales. Une trajectoire compile des informations sur la localisation 3D de la pointe d'un instrument chirurgical manipulé (à distance) par un chirurgien, à fréquence constante. La personne recrutée sera chargée de deux activités.
 

Une première activité portera sur le regroupement et la classification de trajectoires. Différents objectifs pratiques sont poursuivis, notamment la génération d'un modèle correspondant à un cluster ou à une classe, la caractérisation de modes opératoires spécifiques à un type de patient ou à un type de chirurgien, la fourniture de conseils aux praticiens dans le cas de chirurgies robotiques peu ou pas documentées, l'identification du niveau d'expertise d'un praticien, la prédiction de la procédure chirurgicale à choisir en fonction du type de patient.
Ces recherches utiliseront des mesures de dis similarité basées sur l'alignement temporel, ou les noyaux élastiques. Cette tâche portera également sur le co-clustering des trajectoires. Les recherches se concentreront sur la manière de combiner les séries temporelles avec d'autres types de données à des fins de co-clustering, en utilisant soit l'apprentissage profond si suffisamment de données sont disponibles, la représentation symbolique ou les modèles de blocs latents qui doivent tous être adaptés à la spécificité des données cinématiques.
Une fois qu'un groupe ou une classe est obtenu, une autre activité consistera à calculer une trajectoire moyenne à partir d'un ensemble de trajectoires. Les objectifs pratiques seront les suivants : mettre en évidence les déviations de la trajectoire moyenne qui sont potentiellement interprétables (comme des caractéristiques du praticien, ou du patient, par exemple) ; identifier le meilleur mode opératoire pour les jeunes praticiens ou les stagiaires s'il est possible de corréler le mode opératoire avec les résultats cliniques.

Intuitivement, sur la représentation graphique d'une série temporelle, la variabilité liée à la temporalité (phase) concerne l'axe des abscisses, et la variabilité liée à la forme concerne l'axe des ordonnées. Pour calculer une trajectoire consensuelle, la deuxième tâche examinera comment extraire la forme atemporelle et la composante variable liée à la temporalité, en supposant que cette forme atemporelle peut être interprétée comme une approximation du consensus.

• Expériences antérieures dans un établissement d’enseignement supérieur appréciées pour occuper le poste
• Niveau de diplôme : Master ou Doctorat en informatique, mathématiques appliquées et informatique, ou mathématiques, avec une spécialisation en apprentissage automatique.

Poste ouvert aux agents susceptibles de se prévaloir d’une priorité légale conformément aux dispositions de l’article 60 de la loi du 11 janvier 1984 portant dispositions statutaires relatives à la fonction publique de l’État (sur présentation d’un justificatif).

Date limite de transmission : 30 novembre 2023
Date des comités de sélection : 1er décembre 2023
Prise de fonction : 4 décembre 2023

Pour plus d'informations sur le poste, consultez la fiche de poste