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