Soutenance de thèse de Tewodros Arega
Tewodros Arega a souteu ce 30 novembre 2023 sa thèse intitulée « Méthodes d’apprentissage profond basées sur l’incertitude pour une segmentation et une analyse robustes et fiables de l’IRM cardiaque ».
Composition du Jury :
Mireille GARREAU, Professeure des universités, Université de Rennes 1, Examinatrice
Patrick CLARYSSE, Professeur des universités, Directeur de Recherche CNRS, CREATIS, Rapporteur
Caroline PETITJEAN, Professeure des universités, Université de Rouen Normandie, Rapporteuse
Stéphanie BRICQ, Maitresse de conférences HDR des universités, Université de Bourgogne, Codirectrice de thèse
Fabrice MERIAUDEAU, Professeur des universités, Université de Bourgogne, Directeur de thèse
Mireille GARREAU, Professeure des universités, Université de Rennes 1, Examinatrice
Patrick CLARYSSE, Professeur des universités, Directeur de Recherche CNRS, CREATIS, Rapporteur
Caroline PETITJEAN, Professeure des universités, Université de Rouen Normandie, Rapporteuse
Stéphanie BRICQ, Maitresse de conférences HDR des universités, Université de Bourgogne, Codirectrice de thèse
Fabrice MERIAUDEAU, Professeur des universités, Université de Bourgogne, Directeur de thèse
Résumé :
Les méthodes de segmentation basées sur l’apprentissage profond se sont révélées prometteuses pour automatiser la segmentation des images IRM cardiaques, mais elles sont toujours confrontées à des défis pour segmenter de manière robuste de petites régions ambiguës aux formes irrégulières comme les cicatrices myocardiques. De plus, ces modèles sont confrontés aux changements de domaine et aux échantillons hors distribution (OOD), ce qui les rend peu fiables et limite leur utilisation dans la pratique clinique. Pour améliorer la segmentation des cicatrices myocardiques, un modèle de segmentation est proposé qui intègre les informations d’incertitude dans le processus d’apprentissage. En utilisant des réseaux neuronaux bayésiens basés sur une méthode Monté Carlo Drop out, l’incertitude est estimée et incorporée dans la fonction de perte, ce qui améliore la précision de la segmentation et l’étalonnage des probabilités. Pour améliorer la fiabilité des modèles de segmentation, un cadre de contrôle qualité (CQ) basé sur l’incertitude est introduit pour identifier les segmentations ayant échoué avant une analyse plus approfondie. Le cadre CQ utilise un U-Net basé sur un Transformer bayésien Swin pour la segmentation des images cartographiques T1 et utilise des caractéristiques d’incertitude au niveau de l’image pour détecter les images mal segmentées. Les résultats expérimentaux sur des ensembles de données privés et publics démontrent que la méthode de CQ proposée surpasse considérablement les autres méthodes de CQ de l’état de l’art basées sur l’incertitude, en particulier dans des scénarios difficiles. De plus, une méthode de détection OOD post-hoc est proposée pour identifier et rejeter les images aberrantes. Cette méthode utilise les fonctionnalités d’encodeur du modèle de segmentation et les métriques de similarité pour améliorer la fiabilité des modèles de segmentation. Les résultats expérimentaux démontrent que la méthode proposée surpasse les méthodes de détection OOD de l’état de l’art basées sur l’espace des caractéristiques et l’incertitude dans les différents ensembles de données OOD.
Les méthodes de segmentation basées sur l’apprentissage profond se sont révélées prometteuses pour automatiser la segmentation des images IRM cardiaques, mais elles sont toujours confrontées à des défis pour segmenter de manière robuste de petites régions ambiguës aux formes irrégulières comme les cicatrices myocardiques. De plus, ces modèles sont confrontés aux changements de domaine et aux échantillons hors distribution (OOD), ce qui les rend peu fiables et limite leur utilisation dans la pratique clinique. Pour améliorer la segmentation des cicatrices myocardiques, un modèle de segmentation est proposé qui intègre les informations d’incertitude dans le processus d’apprentissage. En utilisant des réseaux neuronaux bayésiens basés sur une méthode Monté Carlo Drop out, l’incertitude est estimée et incorporée dans la fonction de perte, ce qui améliore la précision de la segmentation et l’étalonnage des probabilités. Pour améliorer la fiabilité des modèles de segmentation, un cadre de contrôle qualité (CQ) basé sur l’incertitude est introduit pour identifier les segmentations ayant échoué avant une analyse plus approfondie. Le cadre CQ utilise un U-Net basé sur un Transformer bayésien Swin pour la segmentation des images cartographiques T1 et utilise des caractéristiques d’incertitude au niveau de l’image pour détecter les images mal segmentées. Les résultats expérimentaux sur des ensembles de données privés et publics démontrent que la méthode de CQ proposée surpasse considérablement les autres méthodes de CQ de l’état de l’art basées sur l’incertitude, en particulier dans des scénarios difficiles. De plus, une méthode de détection OOD post-hoc est proposée pour identifier et rejeter les images aberrantes. Cette méthode utilise les fonctionnalités d’encodeur du modèle de segmentation et les métriques de similarité pour améliorer la fiabilité des modèles de segmentation. Les résultats expérimentaux démontrent que la méthode proposée surpasse les méthodes de détection OOD de l’état de l’art basées sur l’espace des caractéristiques et l’incertitude dans les différents ensembles de données OOD.
- extrait:
- lien_externe:
- equipe:
- tags:
- Évenement
- kc_data:
- a:8:{i:0;s:0:"";s:4:"mode";s:0:"";s:3:"css";s:0:"";s:9:"max_width";s:0:"";s:7:"classes";s:0:"";s:9:"thumbnail";s:0:"";s:9:"collapsed";s:0:"";s:9:"optimized";s:0:"";}
- kc_raw_content:
Tewodros Arega a souteu ce 30 novembre 2023 sa thèse intitulée "Méthodes d'apprentissage profond basées sur l'incertitude pour une segmentation et une analyse robustes et fiables de l'IRM cardiaque".
Composition du Jury :
Mireille GARREAU, Professeure des universités, Université de Rennes 1, Examinatrice
Patrick CLARYSSE, Professeur des universités, Directeur de Recherche CNRS, CREATIS, Rapporteur
Caroline PETITJEAN, Professeure des universités, Université de Rouen Normandie, Rapporteuse
Stéphanie BRICQ, Maitresse de conférences HDR des universités, Université de Bourgogne, Codirectrice de thèse
Fabrice MERIAUDEAU, Professeur des universités, Université de Bourgogne, Directeur de thèse
Résumé :
Les méthodes de segmentation basées sur l'apprentissage profond se sont révélées prometteuses pour automatiser la segmentation des images IRM cardiaques, mais elles sont toujours confrontées à des défis pour segmenter de manière robuste de petites régions ambiguës aux formes irrégulières comme les cicatrices myocardiques. De plus, ces modèles sont confrontés aux changements de domaine et aux échantillons hors distribution (OOD), ce qui les rend peu fiables et limite leur utilisation dans la pratique clinique. Pour améliorer la segmentation des cicatrices myocardiques, un modèle de segmentation est proposé qui intègre les informations d'incertitude dans le processus d'apprentissage. En utilisant des réseaux neuronaux bayésiens basés sur une méthode Monté Carlo Drop out, l'incertitude est estimée et incorporée dans la fonction de perte, ce qui améliore la précision de la segmentation et l'étalonnage des probabilités. Pour améliorer la fiabilité des modèles de segmentation, un cadre de contrôle qualité (CQ) basé sur l'incertitude est introduit pour identifier les segmentations ayant échoué avant une analyse plus approfondie. Le cadre CQ utilise un U-Net basé sur un Transformer bayésien Swin pour la segmentation des images cartographiques T1 et utilise des caractéristiques d'incertitude au niveau de l'image pour détecter les images mal segmentées. Les résultats expérimentaux sur des ensembles de données privés et publics démontrent que la méthode de CQ proposée surpasse considérablement les autres méthodes de CQ de l'état de l'art basées sur l'incertitude, en particulier dans des scénarios difficiles. De plus, une méthode de détection OOD post-hoc est proposée pour identifier et rejeter les images aberrantes. Cette méthode utilise les fonctionnalités d'encodeur du modèle de segmentation et les métriques de similarité pour améliorer la fiabilité des modèles de segmentation. Les résultats expérimentaux démontrent que la méthode proposée surpasse les méthodes de détection OOD de l'état de l'art basées sur l'espace des caractéristiques et l'incertitude dans les différents ensembles de données OOD.