Description
Date depot: 18 janvier 2022
Titre: Interactive and Collaborative Learning for 3D Vessel Segmentation
Directrice de thèse:
Maria Alejandra ZULUAGA (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: This PhD thesis aims to close the gap hindering the use of 3D vessel segmentation tools to assist clinicians in angiographic clinical routines. The project will build on learning-based techniques and will address their limitations regarding the need for large, fully annotated training sets and their poor generalization. The project will use interactive learning to allow continual training from weak annotations provided by the user, as data becomes available. Moreover, by relying on domain adaptation and generalization techniques, it aims to be applicable in a transparent manner to any cerebrovascular imaging modality. The project will rely in a unique collaboration with a network of international excellence partners in neuroimaging for its validation
Résumé dans une autre langue: Ce projet de thèse vise à résoudre l'impasse qui entrave l'utilisation d'outils de segmentation 3D des vaisseaux pour l'analyse efficace des examens angiographiques. Le projet s'appuiera sur des techniques d'apprentissage automatique et répondra à leurs limites concernant le besoin de grands ensembles de données d'entrainement annotées et leur mauvaise généralisation. Il utilisera utilisera l'apprentissage interactif pour permettre l'entrainement progressif à partir d'annotations faibles fournies par l'utilisateur. En s'appuyant sur des techniques d'adaptation de domaine, la methode dévelopée sera applicable de manière transparente à toutes modalités d'imagerie cérébrovasculaire. Grâce à une collaboration unique avec un réseau international de partenaires d'excellence en neuroimagerie, la valeur translationnelle de ce projet sera démontrée
Doctorant.e: Galati Francesco