Thèse Année : 2024

Segmentation by deep learning with geometric constraints and active contours.

Segmentation par apprentissage rofond avec contraintes géométriques et contours actifs.

Résumé

Segmentation of medical images is crucial in clinical practice, requiring accurate and reliable methods to aid diagnosis and treatment planning. However, existing deep learning approaches often need more interpretability and robustness, limiting their application in sensitive clinical environments. This thesis addresses these challenges by proposing two new deep learning models integrating classical image processing techniques to improve segmentation performance and reliability. The first contribution, the Chan-Vese Attention U-Net, incorporates an attention mechanism based on Chan-Vese energy minimisation into the U-Net architecture. This approach exploits geometric constraints to guide the segmentation process, enabling the model to produce more accurate and easier-to-interpret results by focusing on relevant regions of the image and minimising irrelevant details. The second contribution, Fast Marching Energy CNN, combines neural networks with geodesic distance computation to learn isotropic Riemannian metrics directly from the data, generating robust segmentation masks that preserve geometric and topological properties. These methods integrate differentiable distance transforms and the subgradient walk algorithm into a differentiable framework. By integrating traditional energy minimisation techniques with modern deep learning models, this research advances the field of medical image analysis, providing more reliable and interpretable tools for automated segmentation. The results of this thesis can potentially improve clinical decision-making processes and the adoption of AI-driven solutions in healthcare.
La segmentation des images médicales est une tâche critique dans la pratique clinique, nécessitant des méthodes précises et fiables pour aider au diagnostic et à la planification du traitement. Cependant, les approches d'apprentissage profond existantes manquent souvent d'interprétabilité et de robustesse, ce qui limite leur application dans des environnements cliniques sensibles. Cette thèse aborde ces défis en proposant deux nouveaux modèles d'apprentissage profond qui intègrent des techniques classiques de traitement d'images pour améliorer la performance et la fiabilité de la segmentation. La première contribution, le Chan-Vese Attention U-Net, incorpore un mécanisme d'attention basé sur la minimisation de l'énergie de Chan-Vese dans l'architecture U-Net. Cette approche exploite les contraintes géométriques pour guider le processus de segmentation, ce qui permet au modèle de produire des résultats plus précis et plus faciles à interpréter en se concentrant sur les régions pertinentes de l'image et en minimisant les détails non pertinents. La seconde contribution, le Fast Marching Energy CNN, combine les réseaux neuronaux avec le calcul de la distance géodésique pour apprendre les métriques riemanniennes isotropes directement à partir des données, ce qui permet de générer des masques de segmentation robustes qui conservent à la fois les propriétés géométriques et topologiques. Ces méthodes utilisent des transformées de distance différentiables et l'algorithme de marche sous-gradient pour les intégrer dans un cadre différentiables. En intégrant les techniques traditionnelles de minimisation de l'énergie aux modèles modernes d'apprentissage profond, cette recherche fait progresser le domaine de l'analyse d'images médicales, en offrant des outils plus fiables et interprétables pour la segmentation automatisée. Les résultats de cette thèse ont le potentiel d'améliorer les processus de prise de décision clinique et l'adoption de solutions pilotées par l'IA dans les soins de santé.
Fichier principal
Vignette du fichier
2024UPSLD030.pdf (13.74 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04876850 , version 1 (09-01-2025)

Identifiants

  • HAL Id : tel-04876850 , version 1

Citer

Nicolas Makaroff. Segmentation by deep learning with geometric constraints and active contours.. Medical Imaging. Université Paris sciences et lettres, 2024. English. ⟨NNT : 2024UPSLD030⟩. ⟨tel-04876850⟩
0 Consultations
0 Téléchargements

Partager

More