Méthodes d’apprentissage profond et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d’images biomédicales
Langue Anglais
Accéder au document

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

 
Auteur : Stenger, Alexandre
Date de soutenance : 30-09-2025

Directeur(s) de thèse : Naegel, Benoît - Baudrier, Etienne

Président : Wemmert, Cédric
Rapporteur(s) : Chapel, Laetitia - Gripon, Vincent
Membre(s) du jury : Schultz, Patrick - Verbeek, Jakob - Passat, 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 - Vision par ordinateur
Classification : Informatique

Mots-clés libres : 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
Mots-clés :
  • Apprentissage automatique
  • Intelligence artificielle
  • Imagerie médicale
  • Microscopie électronique
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD030
Type de ressource : Thèse