Mission : Ce projet vise à développer des méthodes d'apprentissage profond génératif pour prédire des marqueurs fluorescents — tels que noyau, chromosomes et organelles — à partir d'images de microscopie de phase d'ovocytes de souris et humains, sans recours à des marqueurs invasifs. L'objectif final est de proposer une approche non invasive permettant d'évaluer la qualité des ovocytes à partir de leur organisation interne et de leur masse sèche, un paramètre essentiel pour prédire leur potentiel de développement. L'ingénieur recruté sera en charge de la conception, du développement et de l'évaluation d'un modèle génératif conditionnel basé sur des modèles de diffusion pour la traduction d'images (transmission → fluorescence). Il participera activement à la constitution et au prétraitement des jeux de données (microscopie de phase et fluorescence), à leur structuration pour l'apprentissage et à l'optimisation des architectures profondes. Il mettra en œuvre des stratégies d'inversion de diffusion pour reconstruire les structures subcellulaires, et développera des outils de visualisation, d'interprétation et de validation quantitative. Il contribuera à l'analyse des résultats, à l'évaluation de la précision des reconstructions et à la combinaison des mesures d'organisation et de masse sèche pour produire un diagnostic complet. Enfin, il participera à la mise en place d'outils reproductibles et à la documentation du pipeline afin de faciliter le transfert de la méthodologie vers les applications cliniques en collaboration avec les partenaires hospitaliers. Activités : - Développement et entraînement d'un modèle génératif conditionnel (diffusion) pour la traduction d'images. - Préparation et gestion de jeux de données d'images appariées ou non. - Implémentation de méthodes d'inversion pour la reconstruction d'images. - Évaluation des performances du modèle sur jeux de tests (précision, similarité, classification). - Collaboration étroite avec biologistes et ingénieurs en microscopie. - Documentation et diffusion du code dans un environnement reproductible.