Segmentation sémantique d'images médicales 3D par deep learning

par Olivier Petit

Projet de thèse en Informatique

Sous la direction de Nicolas Thome et de Luc Soler.

Thèses en préparation à Paris, CNAM , dans le cadre de École doctorale Informatique, télécommunications et électronique (Paris) , en partenariat avec Centre d'études et de recherche en informatique et communications (Paris) (laboratoire) et de MSDMA - Méthodes Statistiques de Data-Mining et Apprentissage (equipe de recherche) depuis le 01-11-2018 .


  • Résumé

    Le deep learning a récemment connu des succès opérationnels historiques pour la reconnaissance visuelle, notamment à travers les performances spectaculaires obtenues par les réseaux de neurones convolutifs (ConvNets) au challenge ImageNet 2012. Les méthodes de deep learning ont ainsi redéfini l'état de l'art sur l'ensemble des problématiques liées à la reconnaissance visuelle. Naturellement, l'analyse d'images médicales s'est tournée vers ces méthodes pour toute sorte de tâche dont la segmentation sémantique. L'objectif de cette thèse est la recherche d'algorithmes basés sur l'apprentissage profond (deep learning) pour la segmentation automatique d'images médicales 3D, ce qui consiste à assigner un label (e.g. foie, estomac, pancréas, tumeur, fond) à chaque voxel d'un volume. Le but est de mettre en place des méthodes suffisamment générales pour traiter différents types d'organes tout en gardant des performances permettant un déploiement automatique ou semi-automatique. La rapidité de traitement (temps réel) des volumes est un aspect important du projet.

  • Titre traduit

    Semantic segmentation of 3D medical images with deep learning


  • Résumé

    Deep Learning recently showed impressive results in visual recognition, especially with the performances given by convolutionnal neural networks (ConvNets) on the ImageNet challenge in 2012. Deep learning methods redefined the state of the art in all visual recognition challenges. Naturally, medical images analysis starts using these methods for all kind of tasks such as semantic segmentation. The main goal of this thesis is to research algorithms based on deep learning for semantic segmentation of 3D medical images, which consists of assigning a label (e.g. liver, stomach, pancreas, tumour, background) for every voxel in a volume. Setting up general methods which allow an automatic or semi-automatic deployment as well as the processing time (real-time) of a volume are key aspects of the project.