Starting date: Autumn 2024

Keywords: eye movements, visuomotor control, binocular vision, surgical performance

Gestion des données manquantes et des dérives de données pour la réutilisation de données de santé de vie réelle : détection, caractérisation et mise en qualité 

Profil recherché :
• Diplômé.e d’un Master 2 ou Ingénieur
• Maîtrise du langage Python ou R
• Bon niveau en mathématiques et statistiques
• Bonnes connaissances en Machine Learning
• Bon niveau en anglais

Les projets doctoraux du LTSI publiés sur la plate-forme Améthis sont visibles ICI.

Ce même site est également accessible via le bouton Améthis en pied de page. 

Le vendredi 5 avril 2024, Mme Safaa TAHRI soutient sa thèse intitulée: "Planification directe sur IRM en radiothérapie externe par des approches d’apprentissage automatique".

Résumé:

Le vendredi 22 mars 2024, Mr Erwann Lecesne soutient sa thèse intitulée: "Planification et assistance par fusion d’images multimodales pour l’optimisation d’interventions cardiaques endoventriculaires", devant le jury composé de:

Graph-based characterization of cardiac events for the early detection of heart failure

Offre de stage - LTSI INSERM 1099

Amélioration d’une application web pour le traitement et l’annotation des données électrocardiogrammes

Contexte :

Le LTSI (Laboratoire Traitement du Signal et de l'Image) est un laboratoire de recherche de l'Université de Rennes et de l’INSERM, à l’interface des disciplines relevant des domaines des sciences et technologies de l’information et de la santé.

Contribution à la simulation numérique personnalisée d’implantation de valve aortique percutanée

Mots clefs : simulation numérique, TAVI, analyse de sensibilité, imagerie médicale

Le  mercredi 17 janvier 2024, Mr Thibault Martin soutient sa thèse intitulée: "Analyse du signal électrophysiologique dans le contexte de la localisation du noyau sous-thalamique pour la stimulation cérébrale profonde".

Résumé:

Le mercredi 29 novembre, au laboratoire DOMASIA, Mme Sonia Rafi soutient sa thèse intitulée :"Prédiction par apprentissage automatique des évènements critiques présentés par les patients admis aux urgences. De la prédiction pré-hospitalière à l'optimisation du parcours de soin."