Segmentation d'images de microscopie électronique par apprentissage profond pour l'analyse quantitative de l'ultrastructure cellulaire
Langue Français
Accéder au document

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

 
Auteur : Meyer, Cyril
Date de soutenance : 17-11-2023

Directeur(s) de thèse : Naegel, Benoît - Schultz, Patrick

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 : Informatique
Classification : Informatique

Mots-clés libres : Apprentissage profond, Segmentation sémantique, Morphologie mathématique, Segmentation interactive, Annotations faibles, Microscopie électronique, Imagerie cellulaire
Mots-clés :
  • Apprentissage profond
  • Traitement d'images -- Techniques numériques
Résumé : L'imagerie FIB-SEM permet d'obtenir des images 3D de résolution nanométrique en microscopie électronique cellulaire.Une segmentation sémantique de ces images est nécessaire pour permettre une analyse quantitative et comparative de l'ultrastructure cellulaire. Les méthodes actuelles basées sur les réseaux de neurones convolutifs rencontrent des défis liés à la rareté des données annotées, au bruit et aux variations d'acquisition.L'objectif de la thèse est de développer des méthodes de segmentation robustes. La première partie de nos travaux se concentre sur l'optimisation des hyperparamètres pour la segmentation d'image par apprentissage profond. Une seconde partie s'intéresse aux méthodes interactives et utilisant les annotations faibles afin de réduire le temps d'annotation. La dernière partie concerne les méthodes combinant apprentissage profond et morphologie mathématique dans le but d'améliorer la qualité de la segmentation.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAD045
Type de ressource : Thèse