Skip to main content
Home

Main navigation

  • News
    • All news
    • Seminars
  • Presentation
    • CREATIS
    • Organigram
    • People directory
    • Staff
    • Contacts
    • Access
  • Research
    • Research teams
    • Transversal projects
    • Structuring projects
    • Imaging platform
    • Activity reports
    • Data information note
  • Contributions
    • Publications
    • Patents
    • Software
  • Studies & Training
    • Implications dans les formations
    • Doctoral Studies
  • Jobs Opportunities
  • French French
  • English English
Search API form
User account menu
  • Account
    • Log in

Breadcrumb

  1. Accueil
  2. Défis et avancées en apprentissage profond pour la segmentation de lésions d'AVC sur scanner CT : exploitation des caractéristiques images

Défis et avancées en apprentissage profond pour la segmentation de lésions d'AVC sur scanner CT : exploitation des caractéristiques images

Ajouter à mon calendrier
Google Agenda Outlook Calendrier

Résumé :

L’accident vasculaire cérébral ischémique (AVC) est une cause majeure de mortalité et de handicap dans le monde, nécessitant une prise en charge rapide et efficace. L’imagerie médicale, en particulier le scanner à rayons X, joue un rôle clé dans le diagnostic et le suivi des patient·es. La segmentation automatique des lésions d’AVC à partir des images scanner, permettant d'aider et de libérer du temps aux clinicien·nes, reste un défi majeur en raison de la quantité de données disponible, l'annotation reposant sur des annotations manuelles, du faible contraste des lésions et de la complexité des structures cérébrales. 
Dans cette thèse, nous tentons de répondre à cette problématique en explorant différentes stratégies d'apprentissage profond. Nous analysons d’abord l’impact du contraste des lésions sur la segmentation et démontrons qu'une stratification des données existe et que certaines images ne sont pas informatives. Nous introduisons ensuite un apprentissage curriculaire, où les images sont classées et introduites progressivement en fonction de leur difficulté, améliorant la précision des segmentations. De plus, nous explorons l’apprentissage auto-supervisé avec la proposition d'une nouvelle tâche prétexte spécifique à la segmentation de lésion d'AVC, afin d'exploiter des bases de données non annotées pour améliorer la robustesse des modèles. Enfin, nous abordons la notion d'explicabilité des modèles en évaluant les relations entre les caractéristiques latentes et des descripteurs des lésions d'AVC. 
Ces travaux permettent de mieux comprendre les limites actuelles de la segmentation des lésions d’AVC sur scanner et proposent des solutions pour améliorer les performances des modèles. Ils ouvrent ainsi la voie à des algorithmes plus précis et plus adaptés aux contraintes cliniques, facilitant une prise en charge optimisée des patients.

Jury :

Ninon Burgos, Institut du cerveau, CNRS, rapporteure 
Erwan Kerrien, Chargé de recherche, LORIA, INRIA, rapporteur 
Maria Zuluaga, Maître de conférence, EURECOM, rapporteure 
Tae-Hee Cho, PUPH, Université de Lyon 1, examinateur 
Mikaël Mazighi, PUPH, Université de Paris, examinateur 
Laura Mechtouff, PUPH, Université de Lyon 1, directrice de thèse 
Carole Frindel, Maître de conférence, INSA Lyon, co-directrice de thèse 
David Rousseau, Professeur, Université d'Angers, co-directeur de thèse

Orateur

Juliette MOREAU

Lieu

Amphithéâtre Claude Chappe, Bâtiment TC, Insa de Lyon

Date - horaires

Tue 25/03/2025 - 14:00

Type d'évenement

Soutenance de thèse

Barre liens pratiques

  • Authentication
  • Intranet
  • Rss feed
  • Creatis on Twitter
  • Webmail
Home

Footer menu

  • Contact
  • Map
  • Newsletter
  • Legal Notices