{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2945"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2945","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Segmentation d’images médicales semi-supervisée par curriculum via l’inférence des boîtes englobantes","abstract":"Cette recherche concerne les difficultés que pose la collection d’annotations, complètes et suffisantes, pour entrainer les réseaux de neurones en segmentation sémantique d’images médicales. Nous adoptons l’axe de recherche qui consiste à exploiter les connaissances a priori de l’organe à segmenter, pour contraindre directement les segmentations prédites. Plus précisément, les images non annotées sont exploitées en utilisant des boîtes englobantes prédites par un réseau de neurones auxiliaire. Ces boîtes inférées sont ensuite utilisées pour imposer des contraintes directes sur la taille, la position globale ainsi que la topologie de l’organe, dans les segmentations prédites correspondantes. Nous proposons une première évaluation des performances possibles, en utilisant un réseau de neurones auxiliaire entièrement convolutif pour l’inférence des boîtes englobantes. Les résultats de nos expérimentations sur deux jeux de données de petite taille montrent une augmentation des performances, de 0.3 à 4.4% (mesurée avec l’indice de Sørensen-Dice), par rapport à la supervision totale, lorsqu’on utilise le même nombre d’annotations. Nous recommandons, entre autres, une étude qui remplace le modèle auxiliaire par une architecture de détection classique (RPN, SSD, etc.), afin de mieux cerner l’étendue des performances de cette stratégie.","abstract_html":"Cette recherche concerne les difficultés que pose la collection d’annotations, complètes et suffisantes, pour entrainer les réseaux de neurones en segmentation sémantique d’images médicales. Nous adoptons l’axe de recherche qui consiste à exploiter les connaissances a priori de l’organe à segmenter, pour contraindre directement les segmentations prédites. Plus précisément, les images non annotées sont exploitées en utilisant des boîtes englobantes prédites par un réseau de neurones auxiliaire. Ces boîtes inférées sont ensuite utilisées pour imposer des contraintes directes sur la taille, la position globale ainsi que la topologie de l’organe, dans les segmentations prédites correspondantes. Nous proposons une première évaluation des performances possibles, en utilisant un réseau de neurones auxiliaire entièrement convolutif pour l’inférence des boîtes englobantes. Les résultats de nos expérimentations sur deux jeux de données de petite taille montrent une augmentation des performances, de 0.3 à 4.4% (mesurée avec l’indice de Sørensen-Dice), par rapport à la supervision totale, lorsqu’on utilise le même nombre d’annotations. Nous recommandons, entre autres, une étude qui remplace le modèle auxiliaire par une architecture de détection classique (RPN, SSD, etc.), afin de mieux cerner l’étendue des performances de cette stratégie.","abstract_has_math":false,"creators":["Cyusa Mukama, Bruce"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021-09-30","date_published":"2021-09-30","updated_at":"2026-11-18T22:09:14Z","subjects":["réseaux neuronaux convolutifs (CNN), segmentation d’images médicales, apprentissage par curriculum, boîtes englobantes inférées, a priori(s) et contraintes"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2945"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2945","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2945/1/CYUSA_MUKAMA_Bruce.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2945","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Cyusa Mukama, Bruce"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021-09-30"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["réseaux neuronaux convolutifs (CNN), segmentation d’images médicales, apprentissage par curriculum, boîtes englobantes inférées, a priori(s) et contraintes"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2945","https://espace.etsmtl.ca/id/eprint/2945/1/CYUSA_MUKAMA_Bruce.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Cette recherche concerne les difficultés que pose la collection d’annotations, complètes et suffisantes, pour entrainer les réseaux de neurones en segmentation sémantique d’images médicales. Nous adoptons l’axe de recherche qui consiste à exploiter les connaissances a priori de l’organe à segmenter, pour contraindre directement les segmentations prédites. Plus précisément, les images non annotées sont exploitées en utilisant des boîtes englobantes prédites par un réseau de neurones auxiliaire. Ces boîtes inférées sont ensuite utilisées pour imposer des contraintes directes sur la taille, la position globale ainsi que la topologie de l’organe, dans les segmentations prédites correspondantes. Nous proposons une première évaluation des performances possibles, en utilisant un réseau de neurones auxiliaire entièrement convolutif pour l’inférence des boîtes englobantes. Les résultats de nos expérimentations sur deux jeux de données de petite taille montrent une augmentation des performances, de 0.3 à 4.4% (mesurée avec l’indice de Sørensen-Dice), par rapport à la supervision totale, lorsqu’on utilise le même nombre d’annotations. Nous recommandons, entre autres, une étude qui remplace le modèle auxiliaire par une architecture de détection classique (RPN, SSD, etc.), afin de mieux cerner l’étendue des performances de cette stratégie."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Segmentation d’images médicales semi-supervisée par curriculum via l’inférence des boîtes englobantes"]}]}],"canonical_facts":{"dc:creator":["Cyusa Mukama, Bruce"],"dc:date":["2021-09-30"],"dc:description":["Cette recherche concerne les difficultés que pose la collection d’annotations, complètes et suffisantes, pour entrainer les réseaux de neurones en segmentation sémantique d’images médicales. Nous adoptons l’axe de recherche qui consiste à exploiter les connaissances a priori de l’organe à segmenter, pour contraindre directement les segmentations prédites. Plus précisément, les images non annotées sont exploitées en utilisant des boîtes englobantes prédites par un réseau de neurones auxiliaire. Ces boîtes inférées sont ensuite utilisées pour imposer des contraintes directes sur la taille, la position globale ainsi que la topologie de l’organe, dans les segmentations prédites correspondantes. Nous proposons une première évaluation des performances possibles, en utilisant un réseau de neurones auxiliaire entièrement convolutif pour l’inférence des boîtes englobantes. Les résultats de nos expérimentations sur deux jeux de données de petite taille montrent une augmentation des performances, de 0.3 à 4.4% (mesurée avec l’indice de Sørensen-Dice), par rapport à la supervision totale, lorsqu’on utilise le même nombre d’annotations. Nous recommandons, entre autres, une étude qui remplace le modèle auxiliaire par une architecture de détection classique (RPN, SSD, etc.), afin de mieux cerner l’étendue des performances de cette stratégie."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2945","https://espace.etsmtl.ca/id/eprint/2945/1/CYUSA_MUKAMA_Bruce.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["réseaux neuronaux convolutifs (CNN), segmentation d’images médicales, apprentissage par curriculum, boîtes englobantes inférées, a priori(s) et contraintes"],"dc:title":["Segmentation d’images médicales semi-supervisée par curriculum via l’inférence des boîtes englobantes"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:09:14Z"}