Détection et description de points clés par apprentissage

Learning-based detection and description of key points

• Auteur / Autrice : Nicolas Loiseau-Witon
• Direction : Sébastien Valette
• Type : Thèse de doctorat
• Discipline(s) : Intelligence artificielle et imagerie 3D médicale
• Date : Soutenance le 08/12/2023
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé / CREATIS
• Jury : Président / Présidente : Elsa D. Angelini
• Jury : Examinateurs / Examinatrices : Sébastien Valette, Elsa D. Angelini, Olivier Aubreton, Franck Hétroy, Marc Antonini, Razmig Kéchichian
• Jury : Rapporteurs / Rapporteuses : Olivier Aubreton, Franck Hétroy

Mots clés

Mots clés contrôlés

Recalage d'images

Traitement d'images -- Techniques numériques

Imagerie médicale

Mots clés libres

Imagerie médicale

Image 3D

Détection des points clés

Descripteur

Points clés

Points d'intérêts

Recalage d'images

Medical Imaging

3D Image

Keypoints detection

Description

Keypoints

Interets points

Image registration

Résumé

Les hôpitaux génèrent de plus en plus d’images médicales en 3D. Ces volumes nécessitent un recalage automatique, en vue d’être analysés de manière systématique et à grande échelle. Les points clés sont utilisés pour réduire la durée et la mémoire nécessaires à ce recalage et peuvent être détectés et décrits à l’aide de différentes méthodes classiques, mais également à l’aide de réseaux neuronaux, comme cela a été démontré de nombreuses fois en 2D. Cette thèse présente les résultats et les discussions sur les méthodes de détection et de description de points clés à l’aide de réseaux neuronaux 3D. Deux types de réseaux ont été étudiés pour détecter et/ou décrire des points caractéristiques dans des images médicales 3D. Les premiers réseaux étudiés permettent de décrire les zones entourant directement les points clés, tandis que les seconds effectuent les deux étapes de détection et de description des points clés en une seule fois.

Hospitals are increasingly generating 3D medical images that require automatic registration for systematic and large-scale analysis. Key points are used to reduce the time and memory required for this registration, and can be detected and described using various classical methods, as well as neural networks, as demonstrated numerous times in 2D. This thesis presents results and discussions on methods for detecting and describing key points using 3D neural networks. Two types of networks were studied to detect and/or describe characteristic points in 3D medical images. The first networks studied describe the areas directly surrounding key points, while the second type performs both detection and description of key points in a single step.