Unsupervised and weakly supervised deep learning methods for computer vision and medical imaging - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Unsupervised and weakly supervised deep learning methods for computer vision and medical imaging

Méthodes non-supervisées et faiblement supervisées d'apprentissage profond pour la vision par ordinateur et l'imagerie médicale

Résumé

The first two contributions of this thesis (Chapter 2 and 3) are models for unsupervised 2D alignment and learning 3D object surfaces, called Deforming Autoencoders (DAE) and Lifting Autoencoders (LAE). These models are capable of identifying canonical space in order to represent different object properties, for example, appearance in a canonical space, deformation associated with this appearance that maps it to the image space, and for human faces, a 3D model for a face, its facial expression, and the angle of the camera. We further illustrate applications of models to other domains_ alignment of lung MRI images in medical image analysis, and alignment of satellite images for remote sensing imagery. In Chapter 4, we concentrate on a problem in medical image analysis_ diagnosis of lymphocytosis. We propose a convolutional network to encode images of blood smears obtained from a patient, followed by an aggregation operation to gather information from all images in order to represent them in one feature vector which is used to determine the diagnosis. Our results show that the performance of the proposed models is at-par with biologists and can therefore augment their diagnosis.
Les premières contributions de cette thèse (Chapter 2 et Chapitre 3) sont des modèles appelés Deforming Autoencoder (DAE) et Lifting Autoencoder (LAE), utilisés pour l'apprentissage non-supervisé de l'alignement 2-D dense d'images d'une classe donnée, et à partir de cela, pour apprendre un modèle tridimensionnel de l'objet. Ces modèles sont capable d'identifer des espaces canoniques pour représenter de différent caractéristiques de l'objet, à savoir, l'apparence des objets dans l'espace canonique, la déformation dense associée permettant de retrouver l'image réelle à partir de cette apparence, et pour le cas des visages humains, le modèle 3-D propre au visage de la personne considérée, son expression faciale, et l'angle de vue de la caméra. De plus, nous illustrons l'application de DAE à d'autres domaines, à savoir, l'alignement d'IRM de poumons et d'images satellites. Dans le Chapitre 4, nous nous concentrons sur une problématique lié au cancer du sang-diagnostique d'hyperlymphocytosis. Nous proposons un modèle convolutif pour encoder les images appartenant à un patient, suivi par la concaténation de l'information contenue dans toutes les images. Nos résultats montrent que les modèles proposés sont de performances comparables à celles des biologistes, et peuvent dont les aider dans l'élaboration de leur diagnostique.
Fichier principal
Vignette du fichier
77709_SAHASRABUDHE_2020_archivage.pdf (91.14 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-02899888 , version 2 (15-07-2020)
tel-02899888 , version 3 (16-07-2020)
tel-02899888 , version 1 (17-02-2021)

Identifiants

  • HAL Id : tel-02899888 , version 3

Citer

Mihir Sahasrabudhe. Unsupervised and weakly supervised deep learning methods for computer vision and medical imaging. Computer Vision and Pattern Recognition [cs.CV]. Université Paris-Saclay, 2020. English. ⟨NNT : 2020UPASC010⟩. ⟨tel-02899888v3⟩
576 Consultations
31 Téléchargements

Partager

Gmail Facebook X LinkedIn More