Méthodes d'apprentissage profond pour la localisation, la segmentation et la robustesse en imagerie médicale

Deep learning methods for localization, segmentation and robustness in medical imaging

• Auteur / Autrice : Othmane Laousy
• Direction : Marie-Pierre Revel
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/03/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Interfaces : matériaux, systèmes, usages (Palaiseau, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Informatique pour la Complexité et les Systèmes - EA 4037
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)

Mots clés

Mots clés libres

Apprentissage profond

Imagerie médicale

Apprentissage par renforcement

Localisation

Segmentation

Robustesse certifiée

Deep learning

Medical imaging

Reinforcement learning

Localization

Segmentation

Certified robustness

Résumé

L'imagerie médicale est un élément fondamental de la médecine moderne, offrant des informations inestimables pour le diagnostic et le traitement. L'analyse exacte et précise des images médicales, y compris la localisation et la segmentation des structures ou des anomalies critiques, est essentielle pour la prise de décision clinique. En outre, il est primordial de garantir la robustesse de ces analyses face aux attaques adversariales. Les méthodes d'apprentissage profond sont apparues comme une solution prometteuse pour relever ces défis dans le domaine de l'imagerie médicale. Cette thèse étudie l'application des techniques d'apprentissage profond et d'apprentissage par renforcement pour améliorer la localisation, la segmentation et la robustesse dans le contexte de l'imagerie médicale. La recherche commence par une exploration de l'apprentissage par renforcement profond pour la localisation précise des repères anatomiques et des régions pathologiques dans les images médicales. En outre, en réponse à la préoccupation croissante des attaques adversariales dans l'imagerie médicale, cette thèse offre une nouvelle perspective sur la robustesse certifiée. Elle explore des techniques qui s'appuient sur des modèles de diffusion pour certifier les modèles de segmentation contre les attaques potentielles.

Medical imaging is a cornerstone of modern healthcare, offering invaluable insights for diagnosis and treatment. Accurate and precise analysis of medical images, including localization and segmentation of critical structures or anomalies, is essential for clinical decision-making. Furthermore, ensuring the robustness of these analyses against potential adversarial attacks is of paramount importance. Deep learning methods have emerged as a promising solution to address these challenges in medical imaging. This thesis investigates the application of deep learning and deep reinforcement learning techniques to enhance localization, segmentation, and adversarial robustness in the context of medical imaging. The research commences with an exploration of deep reinforcement learning for precise localization of anatomical landmarks and pathological regions within medical images. Moreover, in response to the growing concern of adversarial attacks in medical imaging, this thesis offers a novel perspective on certified adversarial robustness. It explores techniques that leverage denoising diffusion models to certify segmentation models against potential attacks.