Note ABES Méthodes d’apprentissage profond et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d’images biomédicales Deep learning methods and probabilistic perspectives in unsupervised domain adaptation for biomedical image segmentation Intelligence Artificiel Apprentissage Profond Adaptation de Domaine Modèles Génératifs Approche probabiliste Covariate Shift Modèles de diffusion Modèles de fondation Vision par ordinateur Analyse d’images Imagerie biomédicale Microscopie electronique Artificial Intelligence Deep Learning Domain Adaptation Generative Models Probabilistic Approach Covariate Shift Diffusion Models Foundation Models Computer Vision Image Analysis Biomedical Imaging Electron Microscopy 006.4 Apprentissage automatique Intelligence artificielle Imagerie médicale Microscopie électronique La segmentation sémantique est essentielle en imagerie biomédicale, mais la variabilité des acquisitions entraîne un fort décalage de domaine, dégradant les performances des modèles sur de nouvelles images. Les méthodes d’adaptation de domaine non supervisée (UDA) offrent une solution, mais les approches récentes, surtout conçues pour des données naturelles synthétique-vers-réel, s’adaptent mal aux images biomédicales. Nous proposons d’exploiter des modèles de diffusion pour tirer parti de l’hypothèse de décalage de covariables en générant des masques binaires conditionnés par l’image et intégrés dans un espace latent commun pour améliorer l’adaptativité. Un second axe s’appuie sur les modèles de fondation, notamment SAM, dont la segmentation zero-shot est utilisée dans RESAMPL-UDA comme pseudo-étiquettes raffinées. Les limites de SAM en non supervisé motivent PRISM-UDA, une approche hybride conciliant SAM et auto-apprentissage pour une adaptation plus fiable. Semantic segmentation is essential in biomedical imaging,but acquisition variability leads to strong domain shifts,degrading model performance on new images.Unsupervised domain adaptation (UDA) methodsoffer a solution, but recent approaches, mostlydesigned for synthetic-to-real natural images, adapt poorly to biomedical data.We propose leveraging diffusion models to exploitthe covariate shift assumption by generating binary masksconditioned on the input image and embedded in a shared latent space to improve adaptability. A second direction relies on foundation models, notably SAM, whosezero-shot segmentation is used in RESAMPL-UDA as refined pseudo-labels. SAM’s limitations in unsupervised settings motivate PRISM-UDA,a hybrid approach balancing SAM with classical self-training for more reliable adaptation. Electronic Thesis or Dissertation Text en PDF 13305233 https://theses.hal.science/tel-05448929 application/pdf 54463832 https://publication-theses.unistra.fr/public/theses_doctorat/2025/STENGER_Alexandre_2025_ED269_sup.pdf http://www.theses.fr/2025STRAD030/abes https://theses.hal.science/tel-05448929 https://theses.hal.science/tel-05448929 Stenger Alexandre 1999-07-25 FR 292922701 081395466EH 21711627 4200018 https://theses.fr/2025STRAD030 2025STRAD030 https://doi.org/10.70675/efe46332z1d70z4e80zb11fz6bd4b241fa43 2025-09-30 Informatique - Vision par ordinateur Strasbourg 131056549 Doctorat Docteur es non oui Naegel Benoît MADS_DIRECTEUR_DE_THESE_1 2700 09031669X Baudrier Etienne MADS_DIRECTEUR_DE_THESE_2 103882685 Wemmert Cédric MADS_PRESIDENT_DU_JURY 176663576 Schultz Patrick MADS_MEMBRE_DU_JURY_1 060895500 Verbeek Jakob MADS_MEMBRE_DU_JURY_2 180998463 Passat Nicolas MADS_MEMBRE_DU_JURY_3 101512821 Chapel Laetitia MADS_RAPPORTEUR_1 120235943 Gripon Vincent MADS_RAPPORTEUR_2 16122203X 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 Baudrier Etienne Wemmert Cédric Schultz Patrick Verbeek Jakob Passat Nicolas Chapel Laetitia Gripon Vincent 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 13305233