Soutenance de thèse : Maylis JOUVENCEL

Segmentation d'images médicales par apprentissage sur données 3D non structurées

Doctorante : Maylis JOUVENCEL 

Laboratoire INSA : CREATIS - Centre de Recherche en Acquisition et Traitement de l'image pour la Santé

École doctorale : n°160 EEA - Electronique, Electrotechnique, Automatique de Lyon

La segmentation d'images médicales est une tâche essentielle pour le diagnostique et le suivi thérapeutique. Cependant les méthodes d'apprentissage profond utilisées pour la réaliser ont en général un coût en calcul assez élevé, en particulier quand les images à traiter sont des volumes de grande taille contenant des millions de voxels. Ainsi, cette thèse de doctorat propose de remplacer la représentation voxelique d'origine par une représentation plus légère sous forme de nuage de points, ce qui pourrait permettre de développer des algorithmes de segmentation moins coûteux. Dans la première partie de cette thèse, nous proposons une chaîne de traitement qui extrait un nuage de points de contours à partir de l'image d'origine et le fournit à SCONet, notre réseau implicit adapté des réseaux d'occupation convolutifs pour la tâche de segmentation multi­ organes. Nous évaluons notre méthode sur deux bases de données d'images CT abdominales. Dans une deuxième partie, nous étudions plus finement l'influence de la qualité du nuage de points sur la performance de SCONet et identifions les points les plus utiles pour la segmentation. Dans une troisième partie, nous évaluons la robustesse de notre méthode aux changements de domaine et trouvons que SCONet est performant quand confronté à un changement de base de données ou de modalité d'imagerie.