Thèse Jumeaux Numériques Pulmonaires du Patient à Partir d'Imagerie Tomodensitométrique Multi-Volumes pour une Ventilation Mécanique Protectrice Personnalisée dans le Sdra H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : ISCE - Ingénierie pour la Santé la Cognition et l'Environnement Laboratoire de recherche : STROBE - Rayonnement Synchrotron pour la Recherche Biomédicale Direction de la thèse : Sam BAYAT ORCID 0000000285650293 Début de la thèse : 2026-11-02 Date limite de candidature : 2026-10-24T23:59:59 Plus de trois millions de patients développent chaque année un syndrome de détresse respiratoire aiguë (SDRA), dont la mortalité demeure de 30 à 50 % et dont le traitement reste essentiellement symptomatique. La ventilation mécanique est un moyen de suppléance vital, mais elle aggrave elle-même les lésions pulmonaires par des contraintes statiques et dynamiques excessives - les lésions induites par la ventilation (VILI). En raison de la très forte variabilité inter-individuelle de la mécanique pulmonaire, le choix des réglages ventilatoires optimaux reste largement empirique, et le paradigme émergent est celui d'une ventilation personnalisée pour une protection pulmonaire optimale.
Cette thèse constitue le socle méthodologique du projet ANR OPTIVENT : elle a pour objectif de transformer des examens tomodensitométriques thoraciques acquis à plusieurs volumes pulmonaires en jumeaux numériques fonctionnels du poumon, capables de reproduire la réponse mécanique du poumon d'un patient donné sous ventilation contrôlée. La démarche s'appuie sur un cadre déjà démontré par notre équipe, dans lequel les propriétés matérielles régionales du parenchyme, extraites de cartes de déformation obtenues par recalage déformable entre deux volumes pulmonaires cliniquement pertinents, sont intégrées dans un modèle computationnel patient-spécifique de la mécanique respiratoire couplant un arbre bronchique anatomiquement réaliste, la compliance régionale et la dynamique de recrutement/dérecrutement alvéolaire.
Le travail doctoral portera sur trois verrous successifs. Le premier est le passage à l'échelle : l'extraction robuste et contrôlée en qualité des descripteurs de déformation régionale, et l'estimation des paramètres biomécaniques sur une cohorte de plus de 200 patients SDRA imagés à pressions et volumes connus dans l'étude observationnelle prospective multicentrique CT4ARDS-2 (NCT06113276). Le deuxième est l'harmonisation : la construction d'une chaîne de traitement reproductible, déployable sur les différents sites cliniques et applicable à des jeux de données publics multi-volumes, aboutissant à un jeu de données stratifié par niveau de confiance. Le troisième est l'exploitation : l'utilisation de ces jumeaux numériques comme plateforme d'essais cliniques virtuels, où chaque modèle est soumis à un large éventail de stratégies ventilatoires - essais de PEEP, pression de plateau, volume courant, temps inspiratoire - afin de cartographier, patient par patient, la relation entre réglages du ventilateur et indicateurs de risque lésionnel : recrutement parenchymateux et surdistension.
Le/la doctorant·e produira ainsi la cohorte de jumeaux numériques et le corpus d'apprentissage sur lesquels reposera le modèle prédictif explicable développé dans la suite du projet OPTIVENT. Au-delà du SDRA, la chaîne de traitement et le cadre de simulation développés constitueront une ressource réutilisable pour la personnalisation de l'assistance ventilatoire en général, de l'anesthésie générale au sevrage ventilatoire.
Protective mechanical ventilation currently rests on largely standardised rules, while the regional distribution of mechanical properties in the injured lung is profoundly heterogeneous: recruitable collapsed regions coexist with aerated regions exposed to overdistension. Existing ventilation simulation approaches fail to account for this individual heterogeneity, relying either on global respiratory mechanics or on purely image-based descriptors.
We have recently shown that an in silico model of a patient's lung - reproducing an anatomically accurate bronchial tree, incorporating regional compliance computed from registration of CT images acquired at two pressures, and coupling recruitment/derecruitment dynamics that account for regional differences in recruitability - plausibly estimates both global pressure-volume curves and local biomechanical behaviour under positive pressure ventilation [4, 7]. The model can simulate the effect of a change in PEEP, or the worsening of mechanics in an injured lung, and constitutes a significant advance over state-of-the-art models that do not account for patient-specific functional features [5].
The main limitation of this framework for clinical use is the time required to build each model and the computational cost of the simulations, both incompatible with bedside decision-making. The OPTIVENT project lifts this barrier by using simulations not directly, but as a training environment: virtual clinical trials run on real patient digital twins produce a labelled corpus that is then used to train an explainable predictive model able to recommend personalized ventilation settings within a clinically useful timeframe. This methodology has been validated in other domains - virtual patient models in diabetes, the Living Heart Project in cardiology [6] - but to the best of our knowledge has never been applied to lung disease or to mechanical ventilation.
This thesis occupies the upstream and critical position in that chain: without a sufficiently large, heterogeneous and reliable cohort of digital twins, no downstream learning is possible. It is carried out at the STROBE laboratory (INSERM UA7, UGA), partner 3 of the OPTIVENT consortium and coordinator of work package WP1, in direct interaction with intensive care physicians at CHU Grenoble Alpes and Hospices Civils de Lyon, and with the computer vision and machine learning teams at Institut Pascal, CHU Clermont-Ferrand and CREATIS. - Consolidate and validate a reproducible pipeline transforming multi-volume chest CT examinations into functional digital twins: quality-controlled lung segmentation, deformable registration between volumes acquired at known airway pressures, and extraction of regional deformation descriptors.
- Estimate, from these deformation maps, candidate regional physiological properties - regional compliance-related behaviour, viscoelastic response, airway resistance surrogates and recruitment potential - and embed them in the existing simulation framework.
- Extend the patient-specific model to a cohort of more than 200 ARDS patients from the CT4ARDS-2 study (NCT06113276), combining automated plausibility filters with expert manual review on a subset of cases.
- Harmonise local data (Grenoble, Lyon, Clermont-Ferrand) with public multi-volume CT collections (TCIA, DIR-Lab/Emory): image orientation, voxel spacing, segmentation conventions, registration quality control and metadata formatting, producing a tiered dataset in which each case carries an explicit confidence level and usage scope.
- Expose each digital twin to systematic ventilation scenarios (PEEP, plateau pressure, tidal volume, inspiratory and expiratory times) and quantify injury-risk surrogates: parenchymal recruitment, overdistension, global respiratory mechanics and regional stretch.
- Augment this corpus through physiologically constrained synthetic data generation (parameter perturbation, controlled noise injection, scenario resampling) and deliver the virtual clinical trial dataset usable for supervised learning.
- Release a documented, reproducible pipeline and metadata dictionary, in accordance with FAIR principles and the project data management plan.
Phase 1 - Pipeline consolidation and quality control (months 1-10). Familiarisation with the existing modelling framework and the CT4ARDS-2 cohort. Implementation of a reproducible pipeline: lung and lobar segmentation, deformable registration between volumes acquired at known airway pressures, extraction of regional deformation maps. Development of automated quality-control filters (Jacobian determinant, Dice-type overlap indices, inverse consistency) to flag and quarantine failing registrations on cases with severe pathology or low image quality. Flagged cases are reserved for registration-robustness sub-studies and excluded from full biomechanical modelling.
Phase 2 - Parameter estimation and cohort-scale twin generation (months 6-20). Extraction of candidate physiological properties (regional compliance-related behaviour, viscoelastic response, resistance surrogates, recruitment potential) and estimation of the patient-specific model parameters. Parameter distributions are validated against published literature ranges, with physiological plausibility bounds applied as hard constraints. A sensitivity analysis identifies the parameters most critical to simulation stability before scaling to the full cohort. Each digital twin is packaged reproducibly with its metadata and confidence level.
Phase 3 - Multi-site harmonisation and public data integration (months 10-24). Standardisation of image orientation, voxel spacing, segmentation conventions, registration quality controls and metadata formatting across the local Grenoble, Lyon and Clermont-Ferrand resources and compatible open-access datasets. Given regulatory constraints, the generation pipeline is deployed locally at each clinical site so that only de-identified derived parameters and simulation-ready models leave it. This phase delivers the tiered dataset, each case carrying a confidence level and usage scope.
Phase 4 - Virtual clinical trials and data augmentation (months 18-30). Systematic exposure of each digital twin to ventilation scenarios - incremental PEEP trials, variations in plateau pressure, tidal volume, inspiratory and expiratory times - with the combined parenchymal recruitment and overdistension as the main outcome, complemented by global respiratory mechanics and regional stretch indicators. Adaptive sampling strategies (Latin hypercube, space-filling designs) maximise coverage of the parameter space at contained computational cost. The corpus is augmented by parameter perturbation, controlled noise injection, bootstrapping and scenario resampling, within physiological envelopes defined jointly with the clinical partners and applied as hard rejection filters.
Phase 5 - Corpus delivery, dissemination and writing (months 28-36). Delivery of the virtual clinical trial dataset to the machine learning partners, documentation of corpus composition and confidence-level distribution, release of the processing pipeline, article preparation and thesis writing.

Master 2 ou diplôme d'ingénieur en traitement d'images médicales, ingénierie biomédicale, mathématiques appliquées, mécanique numérique, physique ou informatique.

Une solide maîtrise de la programmation scientifique en Python est indispensable dès le premier jour, ainsi qu'une aisance avec l'analyse d'images volumiques. Une expérience préalable du recalage déformable, de la segmentation d'images médicales, de la modélisation par éléments finis ou de la simulation numérique sera appréciée. Le projet étant conduit au sein d'un consortium associant imagerie, modélisation, apprentissage automatique et réanimation, le goût du travail interdisciplinaire et la capacité à dialoguer aussi bien avec des cliniciens réanimateurs qu'avec des chercheurs en apprentissage automatique sont essentiels. Autonomie, rigueur méthodologique et capacité à documenter un code destiné à être partagé et déployé sur plusieurs sites cliniques sont attendues.

Compétences enseignées pendant la thèse : aucune connaissance préalable en physiologie respiratoire ou en réanimation n'est requise. La physiologie de la mécanique ventilatoire, la physiopathologie du SDRA, les principes de la ventilation protectrice et le cadre de modélisation patient-spécifique de l'équipe seront enseignés intégralement au sein du laboratoire STROBE et au contact des équipes de réanimation partenaires. La formation à la simulation biomécanique et au calcul haute performance sera assurée par l'environnement grenoblois (GRICAD) et par les partenaires du projet, complétée par les modules de l'école doctorale ISCE et les formations obligatoires à la protection des données de santé et à l'intégrité scientifique.

• Python
• Programmation
• Ventilation
• Autonomie
• Biomécanique
• Éléments finis
• Mathématiques