Note ABES Deep learning-based semantic segmentation of 3D thoracic computed tomography images Segmentation sémantique d'images tomodensitométrie 3D des poumons par apprentissage profond Segmentation de structures thoracique Segmentation de structures tubulaires Réseaux de neurones convolutionnels Fusion de données U-Net 2,5D Tomodensitométrie Thoracic structure segmentation Tubular structure segmentation Convolutional neural networks Data fusion 2.5D U-Net CT scan 004.2 610.28 Scanographie Traitement d'images -- Techniques numériques Poumon -- Radiographie Apprentissage profond Les progrès en imagerie médicale, notamment la tomodensitométrie, ont considérablement amélioré les soins aux patients en permettant la visualisation in vivo des structures anatomiques en 3D. C'est dans ce contexte que s'inscrit la société Visible Patient, spécialisée dans la création de modèles 3D à partir de segmentations réalisées par des experts en imagerie médicale. Néanmoins, la segmentation manuelle de ces structures est chronophage et sujette à variations. Pour pallier cela, nous introduisons une méthode d'apprentissage profond pour la segmentation des structures thoraciques. L'architecture proposée en cascade comprend deux étapes : la segmentation des poumons, puis celle des structures internes en utilisant des scanners masqués par les poumons. Chaque étape utilise une approche de traitement tri-directionnelle afin d'exploiter les informations axiales, coronales et sagittales par un processus de fusion. Plusieurs configurations de fusion sont explorées dans le but d'obtenir des masques de segmentation finaux optimaux. La performance de la méthode est évaluée à travers des expériences sur un échantillon de 196 patients, comprenant la robustesse aux pathologies et les scanners sans agents de contraste. L'approche proposée obtient des performances similaires à la procédure standard de Visible Patient tout en divisant par près de 3,5 le temps requis, ce qui se traduit par une économie de jusqu'à trois heures en moyenne. Advances in medical imaging, specifically CT scans, have significantly improved patient care by allowing in vivo visualization of anatomical structures in 3D. It is in this context that the company Visible Patient operates, specializing in the creation of 3D models from segmentations conducted by experts in medical imaging. However, manual segmentation of these structures is time-consuming and subject to variations. To address this, a deep learning method is introduced in this work for segmenting thoracic structures. The proposed cascaded architecture includes two steps: lung segmentation and segmentation of internal structures using lung-masked CT scans. Each step utilizes a three-path processing approach to leverage axial, coronal, and sagittal information through a fusion process. Multiple fusion configurations are explored trying to obtain optimal final segmentation masks. The method's performance is evaluated through experiments on a dataset of 196 patients, including pathology robustness and CT scans without contrast agents. The proposed approach achieves similar performance to the Visible Patient standard procedure while dividing the required time by almost 3.5, resulting in savings of up to three hours on average. Electronic Thesis or Dissertation Text en PDF 70504259 Université de Strasbourg Strasbourg 2024-12-31 application/pdf 69648019 http://www.theses.fr/2023STRAD040/Document http://www.theses.fr/2023STRAD040/abes Heitz Adrien 1995-08-10 FR 275126498 1506010661K 21517424 4200046 https://theses.fr/2023STRAD040 2023STRAD040 https://doi.org/10.70675/fd886f31z82aez4bbdza759z2dfa06efc659 2023-10-10 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Heitz Fabrice MADS_DIRECTEUR_DE_THESE_1 029185157 Soler Luc MADS_DIRECTEUR_DE_THESE_2 090316908 Wemmert Cédric MADS_PRESIDENT_DU_JURY 176663576 Conze Pierre-Henri MADS_MEMBRE_DU_JURY_1 238573486 Bloch Isabelle MADS_RAPPORTEUR_1 031277861 Thome Nicolas MADS_RAPPORTEUR_2 12878332X 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 Heitz Fabrice Soler Luc Wemmert Cédric Conze Pierre-Henri Bloch Isabelle Thome Nicolas 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 70504259 confidentialité 2023-10-10 2028-10-10 confidentialité 2023-10-10 2028-10-10 restriction 2023-10-10 2028-10-10 confidentialité 2023-10-10 2028-10-10 confidentialité 2023-10-10 2028-10-10