Segmentation d'images médicales par méta-apprentissage robuste et évolutif en contexte de rareté des données

La segmentation d'images médicales joue un rôle clé dans le diagnostic, la planification thérapeutique, le suivi des patients et la prise de décision clinique, en permettant une délimitation précise des structures anatomiques et des régions pathologiques. L'apprentissage profond a considérablement fait progresser ce domaine, donnant naissance à des modèles de segmentation très performants capables d'apprendre automatiquement des représentations pertinentes à partir des données. Cependant, ces méthodes nécessitent généralement de grandes quantités d'images représentatives et annotées avec précision. En imagerie médicale, de telles annotations sont particulièrement coûteuses à obtenir, car elles requièrent souvent une délinéation manuelle chronophage par des experts cliniques, tandis que certaines structures anatomiques ou certains cas pathologiques peuvent être rares. L'augmentation de données et le transfert d'apprentissage peuvent aider à atténuer cette limitation, mais leur efficacité peut diminuer lorsque seuls quelques exemples annotés sont disponibles ou lorsqu'il existe un écart important entre les tâches de segmentation source et cible. Dans ce contexte, le méta-apprentissage offre une alternative prometteuse en apprenant, à travers une distribution de tâches, comment s'adapter rapidement à une nouvelle tâche à partir de seulement quelques exemples annotés. Il s'inscrit dans le paradigme « apprendre à apprendre » et constitue un cadre naturel pour l'apprentissage à partir de peu d'exemples (few-shot learning) dans des contextes de rareté des données. Parmi les approches de méta-apprentissage fondées sur l'optimisation, le Model-Agnostic Meta-Learning (MAML) a suscité un intérêt particulier car il apprend une initialisation pouvant être rapidement affinée pour des tâches inédites. Son application à la segmentation d'images médicales a montré des résultats prometteurs par rapport aux stratégies d'entraînement conventionnelles et de transfert d'apprentissage. L'objectif global de ce projet de thèse est de développer des méthodes de méta-apprentissage robustes, évolutives et efficaces en termes de données pour la segmentation d'images médicales, permettant une adaptation efficace et rapide à de nouvelles tâches de segmentation à partir d'un nombre restreint d'exemples annotés. La thèse poursuivra les trois objectifs spécifiques suivants : - Améliorer l'évolutivité (scalabilité) et la stabilité du méta-apprentissage fondé sur l'optimisation pour la segmentation d'images médicales - Caractériser et exploiter des distributions de tâches médicales hétérogènes - Améliorer l'efficacité et la spécificité de l'adaptation à de nouvelles tâches médicales École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Direction : Lotfi CHAARI Financement : MSCA COFUND BEST