Annotation-efficient and reliable medical image segmentation

Résumé

La segmentation d’images médicales, délimitation précise des structures anatomiques ou des lésions, est une étape clef pour le diagnostic médical, la planification chirurgicale et le suivi des pathologies. Les algorithmes d’apprentissage profond ont permis d’atteindre de hautes performances en segmentation automatique. Cependant, leur intégration en milieu clinique reste contrainte par deux obstacles majeurs : le coût prohibitif de l’annotation manuelle des données et l’absence de garanties statistiques sur les prédictions des modèles. L’objectif de cette thèse est de développer des algorithmes de segmentation plus fiables et moins coûteux en annotations afin de faciliter leur adoption clinique. En particulier, nous abordons chaque obstacle à leur déploiement en ciblant des étapes distinctes du cycle de développement des modèles. Premièrement, nous proposons une méthode d’apprentissage actif basée sur des lots stochastiques pour sélectionner stratégiquement, avant l’entraînement du modèle, les données les plus informatives pour annotation. Cela permet d’atteindre des performances de segmentation élevées avec une fraction du budget d’annotation traditionnel. Deuxièmement, nous utilisons uniquement, durant l’entraînement, des annotations sous forme de boîtes englobantes, moins coûteuses à obtenir, pour spécialiser et automatiser les modèles de fondation visuels. Nous introduisons une stratégie d’apprentissage de prompts faiblement supervisée basée sur des contraintes et sur la régularisation. Troisièmement, nous développons un cadre de prédiction conforme anatomiquement cohérent pour fournir des garanties statistiques sur les masques de segmentation prédits après déploiement. Grâce à l’intégration au processus conforme d’une étape de diffusion par marche aléatoire basée sur les représentations des modèles de fondation, les ensembles de prédiction générés deviennent à la fois géométriquement cohérents et statistiquement valides. Évaluées sur plusieurs modalités d’imagerie médicale et tissus anatomiques, ces contributions ouvrent la voie à une segmentation d’images médicales à la fois plus sûre et moins coûteuse en annotations, pour un meilleur déploiement clinique.

Date	2 juin 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Hervé Lombaert (Directeur(-trice)) & Christian Desrosiers (Codirecteur(-trice))