Méthodes d'apprentissage pour la segmentation d'instruments chirurgicaux sur jeux de données non étiquetés
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Sestini, Luca
Date de soutenance : 08-06-2023

Directeur(s) de thèse : Padoy, Nicolas - Ferrigno, Giancarlo

Président : Essert, Caroline
Rapporteur(s) : Mateus, Diana - Stoyanov, Danail
Membre(s) du jury : De Momi, Elena - Rosa, Benoît - Unberath, Mathias

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Image et vision
Classification : Informatique, Médecine et santé

Mots-clés libres : Apprentissage profond, Vision par ordinateur, Apprentissage auto-supervisé, Endoscopie, Segmentation d'instruments chirurgicaux
Mots-clés :
  • Apprentissage profond
  • Vision par ordinateur en médecine
  • Endoscopie
  • Imagerie médicale
Résumé : Les vidéos chirurgicales constituent une riche source d'informations pour l'étude et l'amélioration de la chirurgie mini-invasive. L'identification et la localisation des instruments chirurgicaux à partir de ces vidéos est une étape cruciale pour le développement d'applications telles que l'évaluation automatique des compétences chirurgicales et l'aide à la décision en temps réel. Les approches de pointe pour une telle tâche reposent sur l'apprentissage entièrement supervisé de modèles d'apprentissage profond, nécessitant des données annotées manuellement, difficiles à collecter à grande échelle. Cette thèse propose des méthodes d'apprentissage profond pour la localisation et l'identification des instruments, qui peuvent être entraînées sur des ensembles de données totalement non étiquetées. Les connaissances générales sur les instruments chirurgicaux - moins chères et plus faciles à obtenir que les annotations manuelles - sont incorporées dans les architectures d'apprentissage pour fabriquer des signaux de supervision efficaces. Les approches proposées s'appuient sur de nouvelles méthodes d'apprentissage non supervisé, d'apprentissage de représentation auto-supervisé et d'apprentissage à partir d'étiquettes bruitées, toutes conçues pour exploiter efficacement ces connaissances préalables et complémentaires. Nous espérons que les approches que nous proposons pourront faciliter le développement de technologies d'assistance permettant d’améliorer la qualité des soins chirurgicaux.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAD021
Type de ressource : Thèse