Note ABES Unsupervised domain adaptation approaches for person localization in the operating rooms Approches d'adaptation de domaine non supervisées pour la localisation de personnes dans la salle d'opération Adaptation de domaine non supervisée Estimation de pose humaine Segmentation d'instance de personne Salle d'opération Images basse résolution Apprentissage semi-supervisé Auto-formation Images de profondeur Unsupervised Domain Adaptation Human Pose Estimation Person Instance Segmentation Operating Room Low resolution Images Semi-supervised Learning Self-training Depth Images 006 Vision par ordinateur en médecine Traitement d'images -- Techniques numériques Salles d'opération La localisation précise des cliniciens dans la salle d'opération est un élément clé dans la conception des nouveaux systèmes de support clinique. Cependant, la tâche est difficile non seulement parce que les images de la salle d'opération contiennent des différences visuelles significatives par rapport aux images ordinaires, mais aussi parce que les données et les annotations sont difficiles à collecter et à générer dans la salle d'opération en raison de problèmes de confidentialité. Cette thèse explore les méthodes d'adaptation de domaine non supervisées pour permettre l'apprentissage visuel pour le domaine cible, la salle d'opération, en travaillant dans deux directions complémentaires. Tout d'abord, nous étudions comment des images basse résolution avec un facteur de sous-échantillonnage allant jusqu'à 12x peuvent être utilisées pour une localisation précise des cliniciens afin de résoudre les problèmes de confidentialité. Deuxièmement, nous proposons plusieurs méthodes auto-supervisées pour transférer les informations apprises d'un domaine source étiqueté vers un domaine cible non étiqueté pour faire face au changement de domaine visuel et au manque d'annotations. Ces méthodes utilisent des prédictions auto-supervisées pour permettre au modèle d'apprendre et de s'adapter au domaine cible non étiqueté. Pour démontrer l'efficacité des approches proposées, nous publions le premier ensemble de données public, appelé Multi-View Operating Room (MVOR), généré à partir d'enregistrements d'interventions cliniques réelles. Nous obtenons des résultats de pointe sur l'ensemble de données MVOR, en particulier sur les images de salle d'opération à basse résolution préservant la confidentialité. Nous espérons que nos approches d'adaptation de domaine non supervisées proposées pourront aider à développer et à déployer de nouvelles applications d'assistance par IA pour les salles d'opération. The fine-grained localization of clinicians in the operating room (OR) is a key component in designing the new OR support systems. However, the task is challenging not only because OR images contain significant visual domain differences compared to traditional vision datasets but also because data and annotations are hard to collect and generate in the OR due to privacy concerns. This thesis explores Unsupervised Domain Adaptation (UDA) methods to enable visual learning for the target domain, the OR, by working in two complementary directions. First, we study how low-resolution images with a downsampling factor as low as 12x can be used for fine-grained clinicians' localization to address privacy concerns. Second, we propose several self-supervised methods to transfer learned information from a labeled source domain to an unlabeled target domain to address the shift of visual domain and lack of annotations. These methods employ self-supervised predictions in allowing the model to learn and adapt to the unlabeled target domain. To demonstrate the effectiveness of our proposed approaches, we release the first public dataset, called the multi-view operating room (MVOR), generated from recordings of real clinical interventions. We obtain state-of-the-art results on the MVOR dataset, specifically on the privacy-preserving low-resolution OR images. We hope our proposed UDA approaches could help to scale up and deploy novel AI assistance applications for the OR environments. Electronic Thesis or Dissertation Text en PDF 208132076 Université de Strasbourg Strasbourg 2023-12-31 https://theses.hal.science/tel-04012254 application/pdf 104925435 https://publication-theses.unistra.fr/public/theses_doctorat/2021/Srivastav_Vinkle_2021_ED269.pdf http://www.theses.fr/2021STRAD052/abes https://theses.hal.science/tel-04012254 https://theses.hal.science/tel-04012254 https://theses.hal.science/tel-04012254 Srivastav Vinkle Kumar 1989-06-20 FR 268246157 0EFB1T05KR7 21823320 4200018 https://theses.fr/2021STRAD052 2021STRAD052 https://doi.org/10.70675/bba4f002z471bz4597zbda9zd6b68a13b76a 2021-11-19 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Padoy Nicolas MADS_DIRECTEUR_DE_THESE_1 14741167X Gangi Afshin MADS_DIRECTEUR_DE_THESE_2 033658919 Mathelin Michel de MADS_PRESIDENT_DU_JURY 079382983 Belagiannis Vasileios MADS_MEMBRE_DU_JURY_1 268246351 Hager Gregory D. MADS_RAPPORTEUR_1 110117069 Ilic Slobodan MADS_RAPPORTEUR_2 202758826 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Padoy Nicolas Gangi Afshin Mathelin Michel de Belagiannis Vasileios Hager Gregory D. Ilic Slobodan École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 208132076