Warda BOUTEGRABET, PhD

Projet de recherche translationnelle en oncologie hépatique – Pilotage technique & coordination scientifique Objectif du projet : Améliorer la classification des tumeurs hépatiques en combinant des approches d’intelligence artificielle appliquées à l’imagerie médicale (radiomique) et à l’histologie numérique. Ce projet s’inscrivait dans une démarche de diagnostic assisté par IA pour optimiser la prise en charge des patients. 🔹 Contributions clés : • Coordination des étapes de traitement des données : collecte, prétraitement, modélisation, validation • Mise en place de workflows IA pour la classification automatisée des tumeurs (Radiomique, Deep Learning) • Collaboration étroite avec des cliniciens, pathologistes et data scientists • Suivi des jalons, reporting, documentation technique (GitHub, Jupyter) • Environnement technique : Python (PyTorch, Sklearn, Pandas, NumPy), OpenSlide, PyRadiomics, Linux (Ubuntu) 🔹 Compétences développées : • Pilotage technique et coordination de projet • Communication scientifique et travail interdisciplinaire • Gestion de données médicales complexes et outils IA Systèmes d'exploitation : Linux (Ubuntu) · Langages de programmation : shell Unix, Jupyter notebook. · Normes et formats des images de lame virtuelle (ndpi). · Features extraction et classification : ResNest 50/Transformer) · Framework (PyTorch, pandas, sklearn, openslide, numpy....)

Inserm U1113, 'IRFAC' Interface de Recherche Fondamentale et Appliquée en Cancérologie, Strasbourg & 'EA7506 BioSpecT' Bio Spectroscopie Translationnelle, Reims. PhD : Histopathologie spectrale du cancer du colique : Développement d’outils chimiométriques pour le traitement automatisé des images tissulaires en spectroscopie infra-rouge. Projet de recherche translationnelle visant à développer des outils automatisés de traitement d’images tissulaires infrarouges pour l’identification de biomarqueurs du cancer colique, en combinant chimiométrie, analyse spectrale, et apprentissage automatique. 🔹 Contributions techniques : • Acquisition et traitement d’images hyperspectrales de tissus humains et de modèles murins (xénogreffes) • Développement d’algorithmes de sélection de variables (AG + KMeans), nettoyage de données (filtrage paraffine), ACP, t-SNE • Reconstruction, recalage et visualisation d’images (Matlab) 🔹 Gestion & pilotage de projet scientifique : • Coordination entre deux laboratoires (IRFAC & BioSpecT) : réunions, reporting, suivi des jalons • Présentations régulières des résultats aux équipes scientifiques, gestion des retours, communication transverse • Formation de masterants en biologie/santé sur l’imagerie infrarouge et ses applications • Rédaction du manuscrit de thèse et d’articles scientifiques valorisant les résultats. • Environnement technique : Matlab, Python, Windows. 💡 Compétences transverses développées : • Gestion de projet scientifique et coordination interdisciplinaire • Capacité à planifier, organiser et documenter un projet complexe • Communication avec des profils variés (cliniciens, informaticiens, data scientists)ï

Data scientist intern: Recherche de Biomarqueurs pour la quantification de la réponse de la RT du cancer de la prostate - Développer des outils spécifiques de traitement d’images dites Radiomique, permettant de quantifier et d’évaluer les données d’Imagerie par Résonance Magnétique morphologiques et fonctionnelles dans le but de prédire une récidive biochimique précoce de cancer de la prostate après traitement par radiothérapie, et prédire les effets secondaires sur la toxicité de la glande prostatique. - Imagerie par Résonance Magnétique morphologique et fonctionnelle - Analyse des images IRM à partir de volumes 3D et extraction de caractéristiques pertinentes : caractéristiques calculées à partir des images T2 (Les statistiques de premier ordre, textures Haralick de deuxième ordre et mesures et dimension fractale. • Analyse statistique des données d'images via l’analyse en composante principale (ACP) pour la visualisation et réduction de la dimension des données (les données cliniques sur le patient et données d’imagerie). • Modélisation supervisée par Support Vector Machines (SVM) et Réseaux de neurones artificiels (ANN) pour la classification des patients en fonction de la réponse au traitement en deux classes (récidive ou non). • Rédaction de mémoire sous LaTeX documentant les résultats obtenus. • Développement : o Borland (Micro Focus c) : une plate-forme en C++ dédie à la visualisation d’images DICOM, l’import de délinéation et extraction des caractéristiques de texture. o MATLAB : développement/utilisation des modèles de classification permettant de prédire la réponse au traitement.

Data Scientist intern: Analyse d'images d'endo-microscopie confocale pour la gradation des lésions inflammatoires/tumorale: Missions et réalisations : 1. développement d'un outil d'analyse d'image automatique pour classer les images interprétables de ceux non interprétables. • Prétraitement des images compris conversion de format HDR en format tif,16bit, rogner les images et identification de régions d’intérêts (ROI). • Extraction de descripteurs statistiques de 1er ordre, saturation, rehaussement de structures tubulaires (filtre Frangi Vesselness). • Sélection de features pertinents via réduction de dimensions (ACP) et classification les images interprétables des non analysables via (test uniparametre par Neyman Person/détection multiparamétriques par apprentissage automatique (SVM). 2. Mise en place d’un outil de diagnostic automatique de l'état pathologique des tissus, en utilisant une approche par graphe pour classifier l’inflammation, du carcinome, ou du tissu sain : • Segmentation de la structure de l’image (seuillage adaptatif), • Extraction de squelette de l’image binaire par la méthode de ligne de partage des eux (LPE). • Extraction des nœuds du graphe et analyse statistique de graphe pour la classification d’état pathologique de chaque tissu. • Développement de modèles de classification et étude statistique (Matlab, FIJI). • Rédaction de mémoire sous LaTeX documentant les résultats obtenus. • Présentation dé résultats à OptDiag 2016 sous forme de poster.

Détection / mesure des nanoparticules (Sic, Si3n4) de faible concentration par holographie numérique dans l'axe : Acquisition des images des bulles d'air contiennent des nanoparticules diluées dans l'eau pure (hologrammes). Reconstruction des images réalisée via la transformée de Fourier fractionnaire, l'analyse était fait sous MATLAB. Mesure morphologique par microscopie conventionnelle dans le but de valider les résultats obtenus par l'approche d'holographie numérique était abordée.

Muni-projet universitaire : a) Développement d’une interface graphique appliquée à la reconstruction des images Scanner, on utilisant transformée Fan Beam/ transformée de Radon sous MATLAB. b) Développement d’une interface graphique appliquée à l’amélioration et l'élimination de bruit de signal ECG sous MATLAB.