Note ABES Methods for learning surgical instrument segmentation from unlabelled datasets using prior knowledge Méthodes d'apprentissage pour la segmentation d'instruments chirurgicaux sur jeux de données non étiquetés Apprentissage profond Vision par ordinateur Apprentissage auto-supervisé Endoscopie Segmentation d'instruments chirurgicaux Deep learning Computer vision Self-supervised learning Endoscopy Surgical Instrument Segmentation 006.4 610.28 Apprentissage profond Vision par ordinateur en médecine Endoscopie Imagerie médicale 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. Surgical videos offer a rich source of information for studying and improving minimally invasive surgery. Identifying and localising surgical instruments from these videos is a crucial step for the development of valuable applications like automatic surgical skill assessment and real-time decision support. State-of-the-art approaches for such task rely on fully-supervised training of deep learning models, requiring manually annotated data, hard to collect at a large scale. This thesis proposes deep learning methods for instrument localisation and identification which can be trained on completely unlabelled datasets. General knowledge about surgical instruments - cheaper and more easily obtained than manual annotations - is incorporated in the training architectures to fabricate effective supervision signals. The proposed approaches leverage novel methods for unsupervised learning, self-supervised representation learning, and learning from noisy labels, all designed to effectively mine such prior and complementary knowledge. We hope our proposed approaches can facilitate the development of valuable assistive technologies to improve the quality of surgical care. Electronic Thesis or Dissertation Text en PDF 128418852 Université de Strasbourg Strasbourg 2023-12-31 https://theses.hal.science/tel-04217104 application/pdf 128433441 https://publication-theses.unistra.fr/public/theses_doctorat/2023/SESTINI_Luca_2023_ED269.pdf http://www.theses.fr/2023STRAD021/abes https://theses.hal.science/tel-04217104 https://theses.hal.science/tel-04217104 https://theses.hal.science/tel-04217104 https://theses.hal.science/tel-04217104 Sestini Luca 1995-12-17 FR 272171727 0EFB1U07T79 21927512 4200018 https://theses.fr/2023STRAD021 2023STRAD021 https://doi.org/10.70675/e7ff5f5cz7694z4df5z95eez353888a77592 2023-06-08 Image et vision Strasbourg 131056549 Doctorat Docteur es non oui Padoy Nicolas MADS_DIRECTEUR_DE_THESE_1 14741167X Ferrigno Giancarlo MADS_DIRECTEUR_DE_THESE_2 272172154 Essert Caroline MADS_PRESIDENT_DU_JURY 067239773 De Momi Elena MADS_MEMBRE_DU_JURY_1 242409563 Rosa Benoît MADS_MEMBRE_DU_JURY_2 17728708X Unberath Mathias MADS_MEMBRE_DU_JURY_3 272172006 Mateus Diana MADS_RAPPORTEUR_1 140624740 Stoyanov Danail MADS_RAPPORTEUR_2 202758680 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 ddc:610 Padoy Nicolas Ferrigno Giancarlo Essert Caroline De Momi Elena Rosa Benoît Unberath Mathias Mateus Diana Stoyanov Danail 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 128418852