{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3045"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3045","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Approche semi-supervisée pour l'analyse automatique de la moelle épinière sur imagerie par résonance magnétique","abstract":"Cette étude utilise des réseaux de neurones convolutifs 2D afin d’automatiser la segmentation de la moelle épinière à partir d’IRM sagittaux pondérés en T2. La base de données est constituée de 106 IRM provenant de 94 patients ayant subi des lésions traumatiques à la moelle épinière. Deux méthodes complètes intégrant le prétraitement des données ainsi que la segmentation automatique ont été développées. Une de ces méthodes a comme objectif de produire la meilleure segmentation possible de la moelle épinière d’un point de vue clinique. Celle-ci emploie une approche novatrice où les IRM sont analysées en cascade sous le plan axial et sagittal par deux réseaux différents. Les résultats sont comparés avec ceux de Deepseg 2D du Spinal Cord Toolbox, qui représente l’état de l’art. Notre méthode arrive à des résultats significativement supérieurs à Deepseg 2D, avec un coefficient Dice moyen de 0.95 contre 0.88 pour Deepseg 2D (P < 0.001). L’autre approche a comme objectif le développement et l’évaluation d’une méthode d’apprentissage semi-supervisée. Dans cette approche, deux réseaux sont entrainés en parallèle où chaque réseau utilise une version binarisée des segmentations produites par l’autre réseau afin d’améliorer son propre entrainement. Pour évaluer cette approche, quatre paires de réseaux sont entrainés avec 25%, 50%, 75% et 100% des données annotées respectivement, puis les résultats sont comparés avec ceux de réseaux utilisant seulement l’apprentissage supervisé. Les résultats montrent une amélioration considérable pour les réseaux utilisant l’apprentissage semi-supervisé, amélioration qui est certainement plus marquée lorsque moins de données sont annotées, mais qui demeure néanmoins présente avec 100% des données annotées. Deux approches ont donc été développées avec succès pour segmenter la moelle épinière, l’une présentant une technique supervisée qui arrive à des résultats de segmentation dépassant l’état de l’art, et l’autre présentant une technique semi-supervisée qui performe bien avec des quantités de données annotées variées.","abstract_html":"Cette étude utilise des réseaux de neurones convolutifs 2D afin d’automatiser la segmentation de la moelle épinière à partir d’IRM sagittaux pondérés en T2. La base de données est constituée de 106 IRM provenant de 94 patients ayant subi des lésions traumatiques à la moelle épinière. Deux méthodes complètes intégrant le prétraitement des données ainsi que la segmentation automatique ont été développées. Une de ces méthodes a comme objectif de produire la meilleure segmentation possible de la moelle épinière d’un point de vue clinique. Celle-ci emploie une approche novatrice où les IRM sont analysées en cascade sous le plan axial et sagittal par deux réseaux différents. Les résultats sont comparés avec ceux de Deepseg 2D du Spinal Cord Toolbox, qui représente l’état de l’art. Notre méthode arrive à des résultats significativement supérieurs à Deepseg 2D, avec un coefficient Dice moyen de 0.95 contre 0.88 pour Deepseg 2D (P &lt; 0.001). L’autre approche a comme objectif le développement et l’évaluation d’une méthode d’apprentissage semi-supervisée. Dans cette approche, deux réseaux sont entrainés en parallèle où chaque réseau utilise une version binarisée des segmentations produites par l’autre réseau afin d’améliorer son propre entrainement. Pour évaluer cette approche, quatre paires de réseaux sont entrainés avec 25%, 50%, 75% et 100% des données annotées respectivement, puis les résultats sont comparés avec ceux de réseaux utilisant seulement l’apprentissage supervisé. Les résultats montrent une amélioration considérable pour les réseaux utilisant l’apprentissage semi-supervisé, amélioration qui est certainement plus marquée lorsque moins de données sont annotées, mais qui demeure néanmoins présente avec 100% des données annotées. Deux approches ont donc été développées avec succès pour segmenter la moelle épinière, l’une présentant une technique supervisée qui arrive à des résultats de segmentation dépassant l’état de l’art, et l’autre présentant une technique semi-supervisée qui performe bien avec des quantités de données annotées variées.","abstract_has_math":false,"creators":["Massé-Gignac, Nicolas"],"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":2022,"date_issued":"2022-06-27","date_published":"2022-06-27","updated_at":"2026-11-18T22:09:26Z","subjects":["apprentissage profond, apprentissage semi-supervisé, segmentation, moelle épinière, réseau de neurones convolutif"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3045"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3045","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/3045/1/MASS%C3%89_GIGNAC_Nicolas.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%3A3045","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Massé-Gignac, Nicolas"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022-06-27"]},{"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":["apprentissage profond, apprentissage semi-supervisé, segmentation, moelle épinière, réseau de neurones convolutif"]}]},{"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-HERE3045","https://espace.etsmtl.ca/id/eprint/3045/1/MASS%C3%89_GIGNAC_Nicolas.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Cette étude utilise des réseaux de neurones convolutifs 2D afin d’automatiser la segmentation de la moelle épinière à partir d’IRM sagittaux pondérés en T2. La base de données est constituée de 106 IRM provenant de 94 patients ayant subi des lésions traumatiques à la moelle épinière. Deux méthodes complètes intégrant le prétraitement des données ainsi que la segmentation automatique ont été développées. Une de ces méthodes a comme objectif de produire la meilleure segmentation possible de la moelle épinière d’un point de vue clinique. Celle-ci emploie une approche novatrice où les IRM sont analysées en cascade sous le plan axial et sagittal par deux réseaux différents. Les résultats sont comparés avec ceux de Deepseg 2D du Spinal Cord Toolbox, qui représente l’état de l’art. Notre méthode arrive à des résultats significativement supérieurs à Deepseg 2D, avec un coefficient Dice moyen de 0.95 contre 0.88 pour Deepseg 2D (P < 0.001). L’autre approche a comme objectif le développement et l’évaluation d’une méthode d’apprentissage semi-supervisée. Dans cette approche, deux réseaux sont entrainés en parallèle où chaque réseau utilise une version binarisée des segmentations produites par l’autre réseau afin d’améliorer son propre entrainement. Pour évaluer cette approche, quatre paires de réseaux sont entrainés avec 25%, 50%, 75% et 100% des données annotées respectivement, puis les résultats sont comparés avec ceux de réseaux utilisant seulement l’apprentissage supervisé. Les résultats montrent une amélioration considérable pour les réseaux utilisant l’apprentissage semi-supervisé, amélioration qui est certainement plus marquée lorsque moins de données sont annotées, mais qui demeure néanmoins présente avec 100% des données annotées. Deux approches ont donc été développées avec succès pour segmenter la moelle épinière, l’une présentant une technique supervisée qui arrive à des résultats de segmentation dépassant l’état de l’art, et l’autre présentant une technique semi-supervisée qui performe bien avec des quantités de données annotées variées."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Approche semi-supervisée pour l'analyse automatique de la moelle épinière sur imagerie par résonance magnétique"]}]}],"canonical_facts":{"dc:creator":["Massé-Gignac, Nicolas"],"dc:date":["2022-06-27"],"dc:description":["Cette étude utilise des réseaux de neurones convolutifs 2D afin d’automatiser la segmentation de la moelle épinière à partir d’IRM sagittaux pondérés en T2. La base de données est constituée de 106 IRM provenant de 94 patients ayant subi des lésions traumatiques à la moelle épinière. Deux méthodes complètes intégrant le prétraitement des données ainsi que la segmentation automatique ont été développées. Une de ces méthodes a comme objectif de produire la meilleure segmentation possible de la moelle épinière d’un point de vue clinique. Celle-ci emploie une approche novatrice où les IRM sont analysées en cascade sous le plan axial et sagittal par deux réseaux différents. Les résultats sont comparés avec ceux de Deepseg 2D du Spinal Cord Toolbox, qui représente l’état de l’art. Notre méthode arrive à des résultats significativement supérieurs à Deepseg 2D, avec un coefficient Dice moyen de 0.95 contre 0.88 pour Deepseg 2D (P < 0.001). L’autre approche a comme objectif le développement et l’évaluation d’une méthode d’apprentissage semi-supervisée. Dans cette approche, deux réseaux sont entrainés en parallèle où chaque réseau utilise une version binarisée des segmentations produites par l’autre réseau afin d’améliorer son propre entrainement. Pour évaluer cette approche, quatre paires de réseaux sont entrainés avec 25%, 50%, 75% et 100% des données annotées respectivement, puis les résultats sont comparés avec ceux de réseaux utilisant seulement l’apprentissage supervisé. Les résultats montrent une amélioration considérable pour les réseaux utilisant l’apprentissage semi-supervisé, amélioration qui est certainement plus marquée lorsque moins de données sont annotées, mais qui demeure néanmoins présente avec 100% des données annotées. Deux approches ont donc été développées avec succès pour segmenter la moelle épinière, l’une présentant une technique supervisée qui arrive à des résultats de segmentation dépassant l’état de l’art, et l’autre présentant une technique semi-supervisée qui performe bien avec des quantités de données annotées variées."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3045","https://espace.etsmtl.ca/id/eprint/3045/1/MASS%C3%89_GIGNAC_Nicolas.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["apprentissage profond, apprentissage semi-supervisé, segmentation, moelle épinière, réseau de neurones convolutif"],"dc:title":["Approche semi-supervisée pour l'analyse automatique de la moelle épinière sur imagerie par résonance magnétique"],"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":"2026-11-18T22:09:26Z"}