PhD defense Taibou BIRGUI SEKOU

La segmentation d’images de rétine (SIR) (c’est-à-dire la segmentation des vaisseaux sanguins et/ou du disque optique) peut servir de repère pour diagnostiquer, traiter et surveiller des maladies telles que la rétinopathie diabétique, l’hypertension, l’artériosclérose et le glaucome. Dans cette thèse, nous avons étudié divers modèles d’apprentissage sur la tâche de SIR, à savoir les approches d’apprentissage discriminant de dictionnaire (ADD). et celles basées sur réseaux de neurones artificiels (RNA). Dans la première partie, quatre modèles basés sur l’ADD sont expérimentés sur la tâche de la segmentation des vaisseaux sanguins rétiniens. Elles proviennent d’un état de l’art initial sur les modèles basés ADD qui ont été regroupés en quatre catégories. Les résultats numériques montrent l’efficacité des quatre méthodes par rapport à d’autres modèles de la littérature qui ne sont pas basés sur les RNA. Nous nous sommes ensuite orientés vers les modèles basés sur les RNA pour la SIR. La deuxième partie est consacrée aux modèles d’apprentissage profond qui, en général, nécessitent un grand nombre d’échantillons d’apprentissage. Une exigence difficile à satisfaire dans le domaine médical. Ce problème peut généralement être évité avec une initialisation appropriée des poids : par augmentation des données et/ou par transfert de connaissance. Nous avons proposé un cadre associant ces deux techniques et permettant d’apprendre des réseaux conçus de manière arbitraire qui segmentent une image en un seul passage, en mettant l’accent sur des bases de données relativement petites. Un travail expérimental a été réalisé sur quatre bases de données publiques en utilisant trois types d’architecture de réseau. Les résultats finaux montrent l’efficacité du cadre proposé par rapport aux méthodes récentes de la littérature.

Avis de soutenance _BIRGUI SEKOU_INSA CVL

see also: Feature learning for medical image segmentation