Apprentissage machine et réseaux de convolution pour une expertise augmentée en dosimétrie biologique

Thèse: La dosimétrie biologique est la branche de la physique de la santé qui se préoccupe de l’estimation de doses de rayonnement ionisants à partir de biomarqueurs. Dans le procédé standard défini par l’AIEA, la dose est calculée en estimant la fréquence d’apparition de chromosomes dicentriques lors de la métaphase des lymphocytes périphériques. La variabilité morphologique des chromosomes, ainsi que celle des conditions d’acquisition des images rend ce problème de détection d’objets complexe. De plus, l’estimation fiable de cette fréquence nécessite le traitement d’un grand nombre d’image. Etant donné les limites du comptage humain (faible nombre de personnes qualifiées, charge cognitive), l’automatisation est une nécessité dans le contexte d’exposition de masse. Dans ce contexte, l’objectif de cette thèse est de tirer parti des progrès récents en vision par ordinateur (et plus spécifiquement en détection d’objets) apportés par l’apprentissage profond. La contribution principale de ce travail est une preuve de concept pour un modèle de détection de chromosomes dicentriques. Ce système repose sur l’agrégation de modèles pour parvenir à un haut niveau de performance, ainsi qu’a une bonne quantification de son incertitude, une exigence essentielle dans un contexte médical.

Auteur(s)

Antonin Deschemps

Date de publication
  • 2023
Mots-clés
  • Apprentissage profond
  • Biodosimétrie
  • Imagerie médicale
  • Agrégation de modèles
  • Quantification d’incertitudes
  • Réseaux convolutionels
Organisme(s) de délivrance
  • Université Rennes 1
Date de soutenance
  • 19/12/2023
Directeur(s) de thèse
  • Charles Kervrann
  • Mohamedamine Benadjaoud
Version
  • 1