Version française ci-après

Contacts: ; ;

Location: ENSEEIHT, 2 rue Charles Camichel, 31000 Toulouse

Duration: 6 months - Starting in March 2025

Remuneration: ~600€/months

Context:

In modern biology and medicine, flow cytometry is used to count, measure, and characterize cells or particles in fluid. Our lab uses self-mixing interferometry, an advanced optical method, to generate 1D temporal signals from light-particle interactions. While accurate, current particle detection and classification pipelines are complex and require extensive manual tuning.

This internship aims to develop an end-to-end deep learning solution using transformer architectures to:

• Detect micro-particles in 1D temporal signals
• Classify particle types (polystyrene, yeast)
• Measure particle sizes
• Identify material properties

This approach promises real-time, robust processing, outperforming traditional pipelines, and addressing challenges like detecting microplastics in contaminated water. Efforts are ongoing to embed the system on low-power, real-time platforms for practical deployment.

About Our team:

The OASIS team at LAAS-CNRS on the ENSEEIHT campus in Toulouse combines expertise in interferometric, fiber optic, and integrated photonic sensors with edge AI. By merging advanced sensing technologies with AI-driven signal processing, OASIS develops innovative solutions for precision measurement and analysis across scientific and industrial applications.

Objectives:

• Understand the domain, reproduce existing methods, and analyze current datasets [1]
• Develop and evaluate CNN and transformer-based models for particle detection, classification, and measurement [2] [3]
• Test models on real-world microplastic samples
• Contribute to preparing a scientific publication

Required Skills:

• Strong deep learning fundamentals and experience with Python/PyTorch
• Proficiency in data analysis and signal processing
• Basic knowledge of laser technologies and optical sensing (preferred but not mandatory)
• English C1; French preferred

What You’ll Gain:

• Hands-on experience with optoelectronic systems and transformer-based time-series models
• Collaboration with a multidisciplinary team and opportunity to publish research

What You’ll Access:

• High-performance GPU cluster (including 2× NVIDIA H100, 4× RTX A6000)
• Expertise in AI, temporal analysis, optics, and optoelectronics

References:

• [1] S. Sierra-Alarcón, J. Perchoux, C. Tronche, F. Jayat, and A. Quotb, “Machine learning pipeline for microparticle size classification in self-mixing interferometric signals for flow cytometry,” Front. Sens., vol. 6, Sep. 2025, https://www.frontiersin.org/journals/sensors/articles/10.3389/fsens.2025.1662060/fullTexte à modifier dans l’interface d’édition: champ 'description' de la page Offre.
• [2] M. Goswami, K. Szafer, A. Choudhry, Y. Cai, S. Li, and A. Dubrawski, “MOMENT: a family of open time-series foundation models,” in Proceedings of the 41st International Conference on Machine Learning, in ICML’24, vol. 235. Vienna, Austria: JMLR.org, Jul. 2024, pp. 16115–16152. https://arxiv.org/abs/2402.03885
• [3] Y. Nie, N. H. Nguyen, P. Sinthong, and J. Kalagnanam, “A Time Series is Worth 64 Words: Long-term Forecasting with Transformers,” presented at the The Eleventh International Conference on Learning Representations, Sep. 2022, https://openreview.net/forum?id=Jbdc0vTOcol

--- Version française ---

Titre : Approche basée sur les Transformers pour la Détection et la Classification de Micro-Particules dans des Signaux Temporels de Self-Mixing Interferometry

Contacts : ; ;

Localisation : ENSEEIHT, 2 rue Charles Camichel, 31000 Toulouse

Durée : 6 mois – Début en mars 2025

Rémunération : ~600€/mois

Contexte :

En biologie et médecine modernes, la cytométrie en flux (flow cytometry) est utilisée pour compter, mesurer et caractériser les cellules ou particules dans un fluide. Notre laboratoire utilise la self-mixing interferometry, une méthode optique avancée, pour générer des signaux temporels 1D à partir des interactions lumière-particule. Bien que précise, les pipelines actuels de détection et de classification des particules sont complexes et nécessitent des réglages manuels.

Ce stage vise à développer une solution bout-en-bout basée sur le deep learning utilisant des architectures de type Transformer pour :

• Détecter des micro-particules dans des signaux temporels 1D
• Classifier les types de particules (polystyrène, levure)
• Mesurer la taille des particules
• Identifier les propriétés matérielles

Cette approche promet un traitement robuste en temps réel, surpassant les pipelines traditionnels, et répond aux défis tels que la détection de microplastiques dans de l’eau contaminée. Des efforts sont en cours pour intégrer le système sur des plateformes à faible consommation et en temps réel pour un déploiement opérationnel.

À propos de notre équipe :

L’équipe OASIS du LAAS-CNRS sur le campus ENSEEIHT à Toulouse combine expertise en capteurs interférométriques, fibre optique et photoniques intégrés avec de l’IA embarquée (edge AI). En fusionnant des technologies de détection avancées avec le traitement de signal piloté par l’IA, OASIS développe des solutions innovantes pour la mesure et l’analyse de précision dans des applications scientifiques et industrielles.

Objectifs :

• Comprendre le domaine, reproduire les méthodes existantes et analyser les jeux de données actuels [1]
• Développer et évaluer des modèles CNN et Transformer pour la détection, la classification et la mesure des particules [2] [3]
• Tester les modèles sur des échantillons réels de microplastiques
• Contribuer à la préparation d’une publication scientifique

Compétences requises :

• Solides connaissances en deep learning et expérience en Python/PyTorch
• Maîtrise de l’analyse de données et du traitement du signal
• Connaissances de base en technologies laser et capteurs optiques (préféré mais non obligatoire)
• Anglais niveau C1 ; le français est un plus

Compétences et expériences acquises :

• Expérience pratique avec des systèmes optoélectroniques et des modèles de séries temporelles basés sur du Transformers
• Collaboration avec une équipe multidisciplinaire et opportunité de publier des recherches

Ressources à votre disposition :

• Cluster GPU haute performance (dont 2× NVIDIA H100, 4× RTX A6000)
• Expertise en IA, analyse temporelle, optique et optoélectronique

Références :

• [1] S. Sierra-Alarcón, J. Perchoux, C. Tronche, F. Jayat, and A. Quotb, “Machine learning pipeline for microparticle size classification in self-mixing interferometric signals for flow cytometry,” Front. Sens., vol. 6, Sep. 2025, https://www.frontiersin.org/journals/sensors/articles/10.3389/fsens.2025.1662060/full
• [2] M. Goswami, K. Szafer, A. Choudhry, Y. Cai, S. Li, and A. Dubrawski, “MOMENT: a family of open time-series foundation models,” in Proceedings of the 41st International Conference on Machine Learning, in ICML’24, vol. 235. Vienna, Austria: JMLR.org, Jul. 2024, pp. 16115–16152. https://arxiv.org/abs/2402.03885
• [3] Y. Nie, N. H. Nguyen, P. Sinthong, and J. Kalagnanam, “A Time Series is Worth 64 Words: Long-term Forecasting with Transformers,” presented at the The Eleventh International Conference on Learning Representations, Sep. 2022, https://openreview.net/forum?id=Jbdc0vTOcol