Face aux limites des techniques actuelles de surveillance du rythme cardiaque fœtal (RCF), et notamment de la cardiotocographie (CTG), le projet Multimodal Augmented Fetal Monitoring (MAFMonito) a pour objectif de développer un système de surveillance fœtale multimodal pour améliorer le suivi du RCF pendant l’accouchement. Il vise à combiner, par des méthodes d’intelligence artificielle modernes, les informations issues de différentes technologies (CTG, électrocardiographie (ECG) et phonocardiographie (PCG)) pour proposer une CTG augmentée par l’ECG et le PCG, de sorte à combler les lacunes de la CTG sans pour autant bouleverser les usages cliniques.

Ce projet est dans la continuité du projet ANR SurFAO et de la collaboration entre l’équipe PRETA du laboratoire TIMC et l’équipe ViBS du laboratoire GIPSA-lab, qui ont permis l’acquisition d’une large base de données cliniques réelles sur femmes enceintes et le développement d’approches originales (dans le contexte du suivi fœtal). Pour aller au-delà de ces travaux, nous proposons maintenant d’inclure des méthodes d’intelligence artificielle pour révolutionner l’approche proposée. L’objectif est de combiner des approches “classiques” de traitement du signal avec des méthodes d’apprentissage automatique et/ou profond.

La thèse proposée s’inscrit au cœur de ces développements méthodologiques. Le travail précis de la doctorante ou du doctorant sera défini en accord avec la candidate ou le candidat et les encadrants parmi les diverses pistes envisagées :

1/ Débruitage des signaux abdominaux pour éliminer ou au moins atténuer suffisamment la composante maternelle et extraire la composante fœtale. Problématique ancienne pour l’ECG abdominal, elle pourrait bénéficier de l’utilisation d’approches de deep learning. Concernant les signaux PCG abdominaux, cette problématique est moins connue et moins explorée dans la littérature, notamment parce que les activités sonores captées par les microphones sont d’une grande diversité, et les méthodes classiques ne bénéficient pas de suffisamment d’universalité. Les méthodes d’apprentissage profond seraient ici d’intérêt pour jouer leur rôle de game changer.

2/ Introduction d’a priori physiologique dans le suivi du rythme cardiaque fœtal (RCF) : limite de sa variabilité instantanée. La proposition actuelle considère cet a priori physiologique par l’intermédiaire d’un Modèle de Markov Caché (HMM). L’utilisation de modèles d’intelligence artificielle tels que les Réseaux de Neurones Récurrents (RNN) ou réseaux LSTM (mémoire à long et court terme) permettrait une meilleure généralisation à la grande variabilité des situations rencontrées dans cette application réelle.

3/ Fusion de différentes modalités, ici ECG / PCG / CTG, pour estimer le RCF. L’un des challenges à surmonter pour que cette fusion soit efficace est de pouvoir gérer le fait que la qualité des signaux ECG / PCG / CTG n’est pas stationnaire et que certaines modalités sont par moments inexploitables. L’objectif de la thèse est de bénéficier de la redondance d’information présente dans les différentes modalités tout en ayant des algorithmes capables de gérer l’intermittence de celle-ci.

4/ Transfer learning (apprentissage par transfert) pour les 3 tâches précédentes (débruitage, estimation monomodale/multimodale, fusion multimodale). L’intérêt de ces approches résident dans le fait qu’elles permettent de mutualiser la phase d'apprentissage entre réseaux de neurones artificiels profonds et de transférer les connaissances acquises sur un problème pour traiter un autre problème.

Le/la candidate recherché(e) sera issu(e) d’une formation en traitement du signal ou mathématiques appliquées. Il/elle devra être intéressé(e) par les aspects théoriques et expérimentaux liés à l’application visée.