موقعیت دکتری: یادگیری نمونه‌کم مقاوم برای مدل‌های پایه در تصویربرداری CT
توسعه روش‌های یادگیری نمونه‌کم مقاوم برای انطباق مدل‌های پایه با تصویربرداری CT شکم-لگن در Inria Saclay.
مناسب برای:مناسب برای فارغ‌التحصیلان کارشناسی ارشد در هوش مصنوعی، ریاضیات کاربردی، یا علوم کامپیوتر با مهارت‌های قوی در Python/PyTorch و علاقه به تصویربرداری پزشکی و یادگیری نمونه‌کم.
مرور کلی
این موقعیت دکتری سه‌ساله در تیم OPIS در مرکز تحقیقات Inria Saclay–Île-de-France، واقع در پردیس CentraleSupélec ارائه می‌شود. این پروژه بخشی از ابتکار ANR FM2AI است که از ۵۰٬۰۰۰ اسکن سه‌بعدی بالینی واقعی از انبار داده بیمارستان‌های دانشگاهی پاریس بزرگ برای ساخت یک مدل پایه برای تصویربرداری CT شکم-لگن بهره می‌برد. دانشجوی دکتری تکنیک‌های نوین یادگیری نمونه‌کم را طراحی خواهد کرد که امکان انطباق محلی این مدل پایه را برای کارهای تشخیصی خاص مانند طبقه‌بندی و قطعه‌بندی تومور فراهم می‌کند، با تأکید ویژه بر ارزیابی مقاومت و تعمیم‌پذیری. این کار بر تخصص تثبیت‌شده تیم OPIS در یادگیری نمونه‌کم و بهینه‌سازی ریاضی استوار است. کاندیدای ایده‌آل پایه نظری محکمی در بهینه‌سازی و آمار را با تجربه عملی برنامه‌نویسی یادگیری عمیق ترکیب خواهد کرد.
نحوهٔ درخواست
برای دیدن امتیاز تطابق شخصی، نیازمندی‌ها، جزئیات بودجه و نحوهٔ درخواست — به انگلیسی یا فارسی — حساب کاربری رایگان بساز.