Méthodes d'apprentissage pour la segmentation d'instruments chirurgicaux sur jeux de données non étiquetés
Auteur / Autrice : | Luca Sestini |
Direction : | Nicolas Padoy, Giancarlo Ferrigno |
Type : | Thèse de doctorat |
Discipline(s) : | Image et vision |
Date : | Soutenance le 08/06/2023 |
Etablissement(s) : | Strasbourg |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) |
Jury : | Président / Présidente : Caroline Essert |
Examinateurs / Examinatrices : Elena De Momi, Benoît Rosa, Mathias Unberath | |
Rapporteurs / Rapporteuses : Diana Mateus, Danail Stoyanov |
Mots clés
Résumé
Les vidéos chirurgicales constituent une riche source d'informations pour l'étude et l'amélioration de la chirurgie mini-invasive. L'identification et la localisation des instruments chirurgicaux à partir de ces vidéos est une étape cruciale pour le développement d'applications telles que l'évaluation automatique des compétences chirurgicales et l'aide à la décision en temps réel. Les approches de pointe pour une telle tâche reposent sur l'apprentissage entièrement supervisé de modèles d'apprentissage profond, nécessitant des données annotées manuellement, difficiles à collecter à grande échelle. Cette thèse propose des méthodes d'apprentissage profond pour la localisation et l'identification des instruments, qui peuvent être entraînées sur des ensembles de données totalement non étiquetées. Les connaissances générales sur les instruments chirurgicaux - moins chères et plus faciles à obtenir que les annotations manuelles - sont incorporées dans les architectures d'apprentissage pour fabriquer des signaux de supervision efficaces. Les approches proposées s'appuient sur de nouvelles méthodes d'apprentissage non supervisé, d'apprentissage de représentation auto-supervisé et d'apprentissage à partir d'étiquettes bruitées, toutes conçues pour exploiter efficacement ces connaissances préalables et complémentaires. Nous espérons que les approches que nous proposons pourront faciliter le développement de technologies d'assistance permettant d’améliorer la qualité des soins chirurgicaux.