Note ABES Segmentation d'images de microscopie électronique par apprentissage profond pour l'analyse quantitative de l'ultrastructure cellulaire Deep learning image segmentation in electron microscopy for quantitative analysis of cellular ultrastructure Apprentissage profond Segmentation sémantique Morphologie mathématique Segmentation interactive Annotations faibles Microscopie électronique Imagerie cellulaire Deep learning Semantic segmentation Mathematical morphology Interactive segmentation Sparse annotations Electron microscopy Cellular imaging 006 Apprentissage profond Traitement d'images -- Techniques numériques 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. FIB-SEM imaging provides 3D images with nanometric resolution in cellular electron microscopy. Semantic segmentation of these images is required to enable quantitative and comparative analysis of cell ultrastructure. Current methods based on convolutional neural networks face challenges related to the scarcity of annotated data, noise, and acquisition variations.The thesis aims to develop robust segmentation methods. The first part of our work focuses on hyperparameter optimization for image segmentation using deep learning. A second part explores interactive methods and sparse annotations to reduce annotation time. The last part concerns methods combining deep learning and mathematical morphology to improve segmentation quality. Electronic Thesis or Dissertation Text fr PDF 82021325 Université de Strasbourg Strasbourg 2024-12-31 https://theses.hal.science/tel-04473581 application/pdf 81992968 https://publication-theses.unistra.fr/public/theses_doctorat/2023/MEYER_Cyril_2023_ED269.pdf http://www.theses.fr/2023STRAD045/abes https://theses.hal.science/tel-04473581 https://theses.hal.science/tel-04473581 https://theses.hal.science/tel-04473581 Meyer Cyril 1995-02-05 FR 275002837 1506021756V 21301980 4200018 https://theses.fr/2023STRAD045 2023STRAD045 https://doi.org/10.70675/1502042dz14d5z45a3z95ffz09bf6d66dafd 2023-11-17 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Naegel Benoît MADS_DIRECTEUR_DE_THESE_1 09031669X Schultz Patrick MADS_DIRECTEUR_DE_THESE_2 060895500 Passat Nicolas MADS_PRESIDENT_DU_JURY 101512821 Baudrier Etienne MADS_MEMBRE_DU_JURY_1 103882685 Perret Benjamin MADS_RAPPORTEUR_1 152624678 Ruan Su MADS_RAPPORTEUR_2 103912126 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 Naegel Benoît Schultz Patrick Passat Nicolas Baudrier Etienne Perret Benjamin Ruan Su 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 82021325