Thèse soutenue

Attention spatiale artificielle pour des modèles profonds interprétables de qualité embryonnaire

FR  |  
EN
Auteur / Autrice : Tristan Gomez
Direction : Harold MouchèreThomas Fréour
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 08/11/2022
Etablissement(s) : Nantes Université
Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
Jury : Président / Présidente : Jean-Baptiste Fasquel
Examinateurs / Examinatrices : Jenny Benois Pineau
Rapporteurs / Rapporteuses : Camille Kurtz, Clément Chatelain

Mots clés

FR  |  
EN

Mots clés contrôlés

Mots clés libres

Résumé

FR  |  
EN

L’un des traitements les plus courants de l’infertilité est la fécondation in vitro (FIV). Cette procédure consiste notamment a cultiver des embryons en milieu contrôle et a en évaluer la qualité après plusieurs jours de croissance. La technologie time-lapse permet un suivi continu des embryons et génère une grande quantité d’images qui a déjà été exploitée par des applications d’apprentissage profonds. Une limitation importante au développement de ces solutions est la nature opaque des modèles proposes qui pose des problèmes éthiques déjà soulevés par la communauté. Nous avons développe une base de données annotées par plusieurs experts pour permettre a la communauté de comparer les algorithmes développes et d’arriver a un consensus. Pour rendre les décisions des réseaux plus transparentes et explicables, nous avons travaille sur un nouveau mécanisme d’attention artificielle non-paramétrique (BR-NPA). Nous comparons cette proposition avec l’état de l’art de l’attention visuelle artificielle du point de vue de la fiabilité des cartes de saillance produites a l’aide de métriques objectives. Nous discutons des limites de ces metriques et proposons d’autres metriques complémentaires. Ce travail montre l’intérêt des modèles d’attention spatiale pour améliorer l’interprétabilité des modèles d’apprentissages profonds, dans le but d’aider les biologistes travaillant dans le domaine de la FIV mais aussi tous les praticiens utilisant des modèles de classification d’images dans leur travail quotidien.