Université de Rennes Apprentissage machine et réseaux de convolutions pour une expertise augmentée en dosimétrie biologique Machine learning and convolutional networks for automated biological dosimetry Apprentissage profondAgrégation de modèlesIncertitudeDétection d’objetsImagerie médicale Deep learningModel AgregationUncertaintyObject detectionMedical imaging Apprentissage profond Reconnaissance d'objets (informatique) Dosimétrie Imagerie médicale 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. Étant 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. Biological dosimetry is the branch of health physics dealing with the estimation of ionizing radiation doses from biomarkers. The current gold standard (defined by the IAEA) relies on estimating how frequently dicentric chromosomes appear in peripheral blood lymphocytes. Variations in acquisition conditions and chromosome morphology makes this a challenging object detection problem. Furthermore, the need for an accurate estimation of the average number of dicentric per cell means that a large number of image has to be processed. Human counting is intrinsically limited, as cognitive load is high and the number of specialist insufficient in the context of a large-scale exposition. The main goal of this PhD is to use recent developments in computer vision brought by deep learning, especially for object detection. The main contribution of this thesis is a proof of concept for a dicentric chromosome detection model. This model agregates several Unet models to reach a high level of performance and quantify its prediction uncertainty, which is a stringent requirement in a medical setting. Electronic Thesis or DissertationText en application/pdf1 : 32678 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/2c590ba9-8855-4bf6-85fd-4f625156fc53 Deschemps Antonin 1998-03-19 FR 278543316 antonin.deschemps@hotmail.fr 2023URENS104 http://www.theses.fr/2023URENS104 2023-12-19 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiKervrannCharlesintervenant_1103581162BenadjaoudMohamedamineintervenant_2184835763KervrannCharlesintervenant_1103581162BenadjaoudMohamedamineintervenant_2184835763Vakalopoulou‎Mariaintervenant_5252438094FromontÉlisaintervenant_6095621601WilkinsRuthintervenant_719823371XRacoceanuDanielintervenant_3158147839RousseauDavidintervenant_4092104630 MATISSEecoleDoctorale_1 267602553 INRIA-RENNES partenaireRecherche_1 133175863 ddc:620ddc:004 KervrannCharlesBenadjaoudMohamedamineRacoceanuDanielRousseauDavidVakalopoulou‎MariaFromontÉlisaWilkinsRuthUniversité de RennesMATISSE INRIA-RENNES ASCII PDF 33462387