Rechercher

Olivier Petit

Doctorant(e)
Equipe MSDMA
Mail : olivier.petitvisiblepatient.com
https://www.olivier-petit.fr/
Directeur de thèse : Nicolas Thome

Segmentation sémantique d'images médicales 3D par deep learning.

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.

Thèse CIFRE avec l'entreprise Visible Patient.

 

Publications

Publications hors Cedric

Olivier Petit, Nicolas Thome, Arnaud Charnoz, Alexandre Hostettler and Luc Soler.
Handling Missing Annotations for Semantic Segmentation with Deep ConvNets.
MICCAI 2018 workshop DLMIA