Apprentissage de représentations latentes centrées sur les objets pour la reconnaissance de tâches fines dans des vidéos chirurgicales
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 : Murali, Aditya
Date de soutenance : 19-11-2025

Directeur(s) de thèse : Padoy, Nicolas - Mutter, Didier

Président : Mathelin, Michel de
Rapporteur(s) : Unberath, Mathias - Thome, Nicolas
Membre(s) du jury : Mascagni, Pietro - Yeung-Levy, Serena

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 : Apprentissage profond, Vision par Ordinateur, Apprentissage centré sur les objets, Analyse de Video Chirurgicales
Mots-clés :
  • Apprentissage profond
  • Vision par ordinateur en médecine
  • Vidéo en services de santé
Résumé : L’analyse des vidéos chirurgicales offre un fort potentiel pour améliorer la pratique clinique,notamment pour l’évaluation des performances et l’assistance peropératoire. À mesure que larecherche progresse vers des tâches de compréhension plus fines, le développement de méthodesefficaces limitant le recours à des annotations manuelles coûteuses devient essentiel. Dans cettethèse, nous proposons un cadre unifié pour la classification fine d’images et de vidéos basé surdes représentations de graphes latents capturant les relations spatiales et temporelles entre objets. Nous introduisons également une approche de généralisation de domaine surpassant les méthodes de référence. Enfin, afin de réduire le coût d’annotation, nous intégrons le modèle de segmentation ouvert SAM à travers une stratégie originale d’adaptation few-shot. Des expériences dans différents contextes montrent les bénéfices de ce cadre pour l’analyse des vidéos chirurgicales.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD057
Type de ressource : Thèse