Classification automatique des vidéos échographiques abdominales : de l'annotation subjective à l'inférence en temps réel dans des vidéos brutes
Langue Anglais
Accéder au document

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

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Saibro, Güinther
Date de soutenance : 26-02-2025

Directeur(s) de thèse : Diana, Michele - Collins, Toby

Président : Essert, Caroline
Rapporteur(s) : Beghdadi, Azeddine - Bernard, Olivier
Membre(s) du jury : Valerio, Massimo

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, Médecine et santé

Mots-clés libres : Échographie abdominale, Diagnostic assisté par ordinateur, Apprentissage profond, Analyse de vidéos non-découpées
Mots-clés :
  • Abdomen -- Échographie
  • Diagnostic assisté par ordinateur
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD002
Type de ressource : Thèse