Segmentation par Apprentissage Profond avec Contraintes Géométriques et Contours Actifs.
10/12/2024 à 14h00
Monsieur Nicolas MAKAROFF présente ses travaux en soutenance le 10/12/2024 à 14h00
À l'adresse suivante : Université Paris-Dauphine PSL Place du Maréchal de Lattre de Tassigny 75016 Paris - Salle A701
En vue de l'obtention du diplôme : Doctorat en Sciences
La soutenance est publique
Titre des travaux
Segmentation par Apprentissage Profond avec Contraintes Géométriques et Contours Actifs.
École doctorale
École doctorale Dauphine SDOSE
Équipe de recherche
UMR 7534 - Centre de Recherche en Mathématiques de la Décision
Section CNU
26 - Mathématiques appliquées et applications des mathématiques
Directeur(s)
M. Laurent COHEN
Membres du jury
| Nom | Qualité | Établissement | Rôle |
|---|---|---|---|
| M. Laurent COHEN | Directeur de recherche | UNIVERSITE PARIS DAUPHINE - PSL | Directeur de thèse |
| Mme Weihong GUO | Professor | CASE WESTERN RESERVE UNIVERSITY | Rapporteure |
| M. Abderrahim ELMOATAZ | Professeur des universités | UNIVERSITE DE CAEN BASSE NORMANDIE | Rapporteur |
| M. Jean-Marie MIREBEAU | Directeur de recherche | ENS PARIS-SACLAY | Examinateur |
| Mme Carole LE GUYADER | Professeur | INSA ROUEN | Examinatrice |
| M. Da CHEN | Associate professor | SHANDON ARTIFICIAL INTELLIGENCE INSTITUTE, QILU UNIVERSITY OF TECHNOLOGY (SHANDON ACADEMY OF SCIENCES) | Examinateur |
Résumé
La segmentation des images médicales est une tâche critique dans la pratique clinique, nécessitant des méthodes précises et fiables pour aider au diagnostic et à la planification du traitement. Cependant, les approches d'apprentissage profond existantes manquent souvent d'interprétabilité et de robustesse, ce qui limite leur application dans des environnements cliniques sensibles. Cette thèse aborde ces défis en proposant deux nouveaux modèles d'apprentissage profond qui intègrent des techniques classiques de traitement d'images pour améliorer la performance et la fiabilité de la segmentation. La première contribution, le Chan-Vese Attention U-Net, incorpore un mécanisme d'attention basé sur la minimisation de l'énergie de Chan-Vese dans l'architecture U-Net. Cette approche exploite les contraintes géométriques pour guider le processus de segmentation, ce qui permet au modèle de produire des résultats plus précis et plus faciles à interpréter en se concentrant sur les régions pertinentes de l'image et en minimisant les détails non pertinents. La seconde contribution, le Fast Marching Energy CNN, combine les réseaux neuronaux avec le calcul de la distance géodésique pour apprendre les métriques riemanniennes isotropes directement à partir des données, ce qui permet de générer des masques de segmentation robustes qui conservent à la fois les propriétés géométriques et topologiques. Ces méthodes utilisent des transformées de distance différentiables et l'algorithme de marche sous-gradient pour les intégrer dans un cadre différentiables. En intégrant les techniques traditionnelles de minimisation de l'énergie aux modèles modernes d'apprentissage profond, cette recherche fait progresser le domaine de l'analyse d'images médicales, en offrant des outils plus fiables et interprétables pour la segmentation automatisée. Les résultats de cette thèse ont le potentiel d'améliorer les processus de prise de décision clinique et l'adoption de solutions pilotées par l'IA dans les soins de santé.