PhD Defense - Flora Estermann

Détection et segmentation d’anomalies en imagerie médicale ultrasonore 3D et en imagerie industrielle par des approches d'apprentissage automatique supervisées ou non supervisées

La détection d’anomalies faiblement contrastées dans les images est une problématique partagée à la fois par le domaine médical et l'industrie. Au cours de cette thèse, nous avons développé des méthodes d’apprentissage automatique pour la détection d’anomalies dans deux contextes différents: la détection des lésions ponctuées de la substance blanche (PWML) en échographie 3D chez les enfants prématurés par apprentissage supervisé pour notre application médicale, et la détection de défauts par apprentissage non supervisé pour des applications industrielles.

Le premier chapitre du manuscrit fournit une vue d’ensemble des quatre thématiques principales de nos recherches avec l’état de l’art correspondant : segmentation et classification supervisées pour la détection des lésions, classification non supervisée pour la détection des défauts, quantification des incertitudes pour l’explicabilité des résultats. La suite du manuscrit décrit séquentiellement les contributions de la thèse au domaine. Le deuxième chapitre présente notre étude sur les caractéristiques des PWML à l’échographie et introduit l’approche que nous avons proposée afin de réaliser la sur-segmentation des PWML dans les volumes ETF. Le troisième chapitre s’attaque directement aux méthodes de classification multi-vues proposées pour améliorer la précision de nos prédictions après la segmentation, et détaille également la manière dont nous avons intégré le cadre des prédictions conformes afin d’apporter une meilleure interprétabilité des résultats et un niveau de confiance plus élevé pour les médecins. Enfin, le dernier chapitre présente les approches non supervisées proposées pour la détection des défauts dans les images industrielles, en intégrant la détection conforme des anomalies également.

Nos résultats sont très encourageants pour le futur de l’intégration des modèles d’IA dans l’aide au diagnostic. De plus, dans le but de rendre nos modèles plus interprétables aux yeux des praticiens et des industriels, nous avons également traité la quantification des incertitudes en considérant le cadre des prédictions conformes dans nos approches.

Membres du jury :
- Philippe Delachartre (Directeur de thèse)
- Valérie Kaftandjian (Co-directrice de thèse)
- Philippe Guy (Examinateur)
- François Rousseau (Rapporteur)
- Guillaume Auzias (Rapporteur)
- Diana Mateus (Examinatrice)