Équipe Scientifiques

Page précédente Daniel RACOCEANU Professeur des universités Equipe "ARAMIS – Algorithmes, modèles et méthodes pour les images et les signaux du cerveau humain" http://daniraco.free.fr/short_bio.htm https://twitter.com/daniraco https://www.linkedin.com/in/daniraco/

Biographie

Professeur à Sorbonne Université, et PI de l’équipe INRIA - ARAMIS de l’Institut du Cerveau de Paris (CNRS UMR 7225 – Inserm U 1127), j’effectue mes enseignements dans le domaine de l’analyse d’images médicales, reconnaissance de formes et apprentissage automatique (incluant l’apprentissage profond), en focalisant mes recherches dans le domaine de l’anatomopathologie numé-rique intégrative, et notamment sur la création de nouveaux paradigmes et protocoles et technologies pour la gradation et le pronostic en histopathologie, aux frontières entre l’imagerie et les omics. Professeur à l’Université Pierre et Marie Curie entre 2011 et 2018, j’ai été 6 ans Professeur à l'Université Na-tionale de Singapour de 2009 à 2015, ainsi que Chargé (2005-2011) et Directeur de Recherche CNRS (2011-2014), étant aussi le Directeur (2008-2014) de l’UMI CNRS 2955 IPAL (Image & Pervasive Access Lab) basée à Singapour. Entre 2014 et 2016, j’ai été co-Directeur de l’équipe théranostic et cancer du Laboratoire l’Imagerie Bio-médicale (CNRS UMR 7371 - Inserm U1146), étant aussi impliqué dans la création et le premier comité de pilotage de l’Institut Universitaire d’Ingénierie en Santé (IUIS) de Sorbonne Université. A Besançon, en tant que Maître de Conférences à l’Université de Franche-Comté, et chercheur à l’Institut FEMTO-ST (1999-2005), je me suis impliqué dans le Projet Européen (FP5-ITEA - Proteus) et le Projet Industriel NEMOSYS - DCNS. Dans cette période, j’ai travaillé sur des méthodes intelligentes de surveil-lance dynamiques, en développant des outils nouveaux de type réseaux de neurones récurrents ainsi que des méthodes de diagnostic prédictif utilisant les systèmes neuro-flous. Responsable d’affaires chez General Electric France et responsable logistique dans la société Gaussin entre 1997 et 1999, j’ai soutenu ma Thèse de Doctorat en 1997 à l'UTBM et mon Habilitation à Diriger des Recherches en 2006 à l'Université de Franche-Comté. Sur le plan des collaborations scientifiques financées, j’ai piloté le projet ANR TecSan MICO (Microscopie Cognitive pour la gradation du cancer du sein – 2011-2014), étant impliqué - entre 2013 et 2016 - dans le projet FUI (Fonds Uniques Interministériels) FlexMIm, portant sur la télépathologie collaborative basée sur l’imagerie sémantique ainsi que dans le projet A*STAR / JCO (Agency for Science, Technology And Research / Joint Council Office – Singapour) IMS, dédié à un système autonome de microscopie cellu-laire 3D intégrée. En 2016, j’ai obtenu et participé à un projet Européen (financé par EIT Health) intitulé PAPHOS, portant sur l’utilisation des bases de données massives en Anatomopathologie digitale. Membre du conseil (Advisory Board) de la Société Européenne de Pathologie Numérique Intégrative (ES-DIP – European Society for Digital Integrative Pathology) j’ai été impliqué activement dans sa création (2016) en étant successivement son vice-Président (2016-2018) et son Président (2018-2020). Pour une période de 2 ans (2016-2018), j’ai été Professeur à l’Université Pontificale Catholique de Pérou, ce qui m’a permis d’organiser (Général Chair) la conférence internationale MICCAI 2020. Depuis 2018, je suis membre du Directoire (Board of Directors) de la société savante internationale MICCAI (Medical Image Computing & Computer Assisted Intervention).

Travaux de recherche

Exploration Sémantique et Compréhension des grandes bases d’Images Microscopiques à Haut-Contenu. Histopathologie intégrative computationnelle. Mes travaux portent sur la compréhension, l'analyse, la modélisation et la simulation du microenvironnement tumoral, en utilisant comme référence, les images de lame virtuelle issues de l'histopathologie (anatomopathologie numérique). En comprenant et en modélisant les éléments indexés par les anatomopathologues lors de l’analyse de l'hétérogénéité intra-tumorale, nous sommes actuellement en mesure de construire des modèles mathématiques capables de fournir une quantification locale et spatiale des processus, permettant une approche holistique du paysage anatomopathologique. Dans les cancers, l'objectif est de corréler et de consolider la signature phénotypique avec une signature omics (anatomopathologie computationnelle intégrative), au sein du processus de genèse tumorale. Les outils étudiés, développés et utilisés dans mes recherches sont la morphologie mathématique sur ensemble éparses (complexes simpliciaux), les modèles stochastiques scalables (processus ponctuels markoviens), la sémantique biomédicale et l’apprentissage profond. Ce qui me préoccupe sur le plan méthodologique, c’est la combinaison de ces outils (génératifs - discriminatifs), dans une démarche globale traçable et explicable, capable de créer une rupture et une accélération de l’adoption des outils DL dans le domaine biomédical. Ces travaux ont donné lieu à un projet financé par AVIESAN - ITMO Cancer, intitulé MALMO (Mathematical Approaches to Modelling Metabolic Plasticity and Heterogeneity in Melanoma) dédié aux approches mathématiques de la modélisation de la plasticité et de l'hétérogénéité métaboliques dans le mélanome. Par ailleurs, autour de mes compétences dans le domaine de l’histopathologie computationnelle, un volet récent de mes travaux au sein de l’Institut de Cerveau, concerne la corrélation entre les protéines Tau (neurites, enchevêtrements et plaques - connus pour faire partie des symptômes de la maladie d'Alzheimer) observés au niveau microscopique, dans la matière grise, et la stratification des patients atteints de la maladie d’Alzheimer. Un projet BBT (Big Brain Theory) intitulé STRATIFIAD (Refining Alzheimer Disease Patients’ stratification using interpretable AI) a été financé, dans un cadre compétitif, autour de ces sujets, pour une durée de 2 ans (2021-2023).

Publications

1. Jiménez, G., Racoceanu, D. (2019). Deep Learning pour la segmentation sémantique versus la classification en pathologie informatique : Application à l'analyse des mitoses dans le classement du cancer du sein, Front. Bioeng. Biotechnol, 21 juin 2019, doi : 10.3389/fbioe.2019.00145.
2. Zemouri, R., Zerhouni, N., Racoceanu, D. (2019). L'apprentissage profond dans les applications biomédicales : Recent and Future Status, Appl. Sci., 9(8), 1526 ; doi:10.3390/app9081526.
3. Saha, M., Chakraborty, C., Racoceanu, D. (2018) Efficient Deep Learning Model for Mitosis Detection using Breast Histopathology Images, Computerized Medical Imaging and Graphics, 64:29-40. doi : 10.1016/j.compmedimag.2017.12.001, Epub 2017 Dec 16.
4. Ehteshami Bejnordi, B. et al. (2017). Évaluation diagnostique des algorithmes d'apprentissage profond pour la détection des métastases des ganglions lymphatiques chez les femmes atteintes de cancer du sein, JAMA, 318(22) : 2199-2210. doi:10.1001/jama.2017.14585.
5. Sirinukunwattana, K., Pluim, J., Chen, H., Qi, X., Heng, P-A., Bo, Y., Wang, L.Y., Matuszewski, B., Bruni, E., Sanchez, U., Böhm, A. Ronneberger, O., Ben Cheikh, B., Racoceanu, D., Philipp Kainz, P., Pfeiffer, M., Urschler, M., Snead, D., & Rajpoot, N. (2017). Segmentation des glandes dans les images d'histologie du côlon : The GlaS Challenge Contest. Medical Image Analysis, 35 : 489-502.