Reconnaissance du processus opératoire en chirurgie des fractures du poignet par analyse vidéo basée sur l’IA
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 : Graëff, Camille
Date de soutenance : 12-12-2025

Directeur(s) de thèse : Lampert, Thomas - Liverneaux, Philippe

Président : Forestier, Germain
Rapporteur(s) : Speidel, Stefanie - Jannin, Pierre
Membre(s) du jury : Grégory, Thomas - Gauci, Marc-Olivier - Padoy, Nicolas

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 : Reconnaissance du processus opératoire, Données vidéos, Chirurgie orthopédique ouverte, Fractures du radius distal, Apprentissage faiblement supervisé
Mots-clés :
  • Reconnaissance optique des formes (informatique)
  • Chirurgie endoscopique
  • Chirurgie orthopédique
Résumé : Cette thèse porte sur la reconnaissance automatique du processus opératoire à partir de vidéos de chirurgie ouverte des fractures du poignet. Contrairement aux travaux précédents centrés sur les chirurgies à vision indirecte (ex. laparoscopie), un système de captation dédié est nécessaire en chirurgie ouverte, introduisant des défis spécifiques. Notre première contribution est la création d’un ensemble de données de 50 vidéos annotées hiérarchiquement en phases, étapes, tâches et actions. L’évaluation de méthodes de l’état de l’art révèle l’impact des particularités de ce type de chirurgie, notamment les occlusions. Notre seconde contribution est UCATD, une méthode d’apprentissage faiblement supervisé nécessitant une seule annotation par occurrence d’étape chirurgicale (soit 0,1 % des données). Grâce à un mécanisme de diffusion sensible aux clusters et à l’incertitude, UCATD surpasse les approches existantes et atteint des performances proches de l’apprentissage entièrement supervisé.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD028
Type de ressource : Thèse