Note ABES Classification automatique des vidéos échographiques abdominales : de l'annotation subjective à l'inférence en temps réel dans des vidéos brutes Automatic classification of abdominal ultrasound videos : from subjective annotation to real-time inference in untrimmed videos Échographie abdominale Diagnostic assisté par ordinateur Apprentissage profond Analyse de vidéos non-découpées Abdominal ultrasound Computer-aided diagnosis (CAD) Deep learning Untrimmed video analysis. 006 610.28 Abdomen -- Échographie Diagnostic assisté par ordinateur Apprentissage profond L’échographie b-mode est idéale pour le dépistage précoce des pathologies abdominales grâce à son faible coût et son caractère non-invasif. Les méthodes de diagnostic automatique basées sur l’apprentissage profond visent à réduire l’expertise requise, elles sont souvent entraînées sur des données manuellement sélectionnées d’images haute qualité, limitant leur efficacité sur des vidéos brutes contenant beaucoup d'images de faible qualité. Nous étudions des solutions d’apprentissage profond pour le diagnostic automatisé des pathologies du foie et du rein à partir de ces vidéos. Nos contributions : (1) une méthode d’annotation comparative par paires augmentant le F1-Score de 10 % comparée aux annotations classiques; (2) un pipeline intégrant un Transformer vidéo et un réseau externe sélectionnant automatiquement les images pertinentes; (3) un réseau apprenant la pertinence des images uniquement à partir d’étiquettes vidéo, atteignant un ROC-AUC de 0,90 pour le diagnostic du foie. B-mode ultrasound (US) is ideal for early abdominal screening due to its low cost and non-invasive nature. While deep-learning computer-aided diagnosis (CAD) methods aim to reduce the required expertise, existing systems are typically trained on manually curated datasets of high-quality images, limiting their effectiveness on raw, untrimmed US videos containing many low-quality frames. To overcome this challenge, we investigate deep-learning solutions for effective automated diagnosis of liver and kidney pathologies directly from such videos. Our contributions include: (1) a pairwise comparative annotation method increasing F1-Score by 10% over traditional labels; (2) a pipeline combining a video Transformer and external network selecting relevant frames; (3) a network learning frame relevance end-to-end from video-level labels alone, achieving 0.90 ROC-AUC in diagnosing liver pathologies. Our system also identifies key frames guiding decisions, enabling automatic report generation. Electronic Thesis or Dissertation Text en PDF 50163066 https://publication-theses.unistra.fr/public/theses_doctorat/2025/SAIBRO_Guinther_2025_ED269.pdf http://www.theses.fr/2025STRAD002/abes https://theses.hal.science/tel-05052759 https://theses.hal.science/tel-05052759 https://theses.hal.science/tel-05052759 Saibro Güinther 1993-12-18 FR 284629898 193289054DD 22027446 4200046 https://theses.fr/2025STRAD002 2025STRAD002 https://doi.org/10.70675/24784724z5f7cz441ez9a12z2459c4782a4e 2025-02-26 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Diana Michele MADS_DIRECTEUR_DE_THESE_1 188976833 Collins Toby MADS_DIRECTEUR_DE_THESE_2 231669887 Essert Caroline MADS_PRESIDENT_DU_JURY 067239773 Valerio Massimo MADS_MEMBRE_DU_JURY_1 266140785 Beghdadi Azeddine MADS_RAPPORTEUR_1 077647904 Bernard Olivier MADS_RAPPORTEUR_2 114929017 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 Diana Michele Collins Toby Essert Caroline Valerio Massimo Beghdadi Azeddine Bernard Olivier 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 ; 2013-....) PDF 50163066