| Analyse automatique et assistance à l'annotation des processus chirurgicaux basées Deep Learning (Automatic analysis and assisted annotation of surgical workflow based on Deep Learning) | ||
Lecuyer, Gurvan - (2020-01-30) / Universite de Rennes 1 - Analyse automatique et assistance à l'annotation des processus chirurgicaux basées Deep Learning Langue : Français Directeur de thèse: Jannin, Pierre Laboratoire : Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATHSTIC Thématique : Sciences de l'ingénieur | ||
Mots-clés : Apprentissage profond, Processus chirurgicaux, Annotation, Apprentissage profond Résumé : La salle d’opération a profité de nombreuses avancées technologiques majeures touchant jusqu’aux pratiques médicales comme dans le cas des chirurgies minimalement invasives. Les nombreux appareils médicaux rendent les interventions plus précises. Cependant, de nombreux challenges restent cependant sans réponse technique. En 2004, un groupe de travail nommé « OR2020 » s’est réuni pour identifier ces challenges et imaginer la salle d’opération du futur intelligente et connectée. Les réseaux de neurones artificiels sont au cœur du développement des systèmes intelligents, ils requièrent des milliers de données annotées pour être entraînés. L’annotation est une tâche fastidieuse qui peut être compliquée comme dans le cas des données médicales où les connaissances nécessaires requièrent l’intervention de médecins. Dans cette thèse, nous avons mené des travaux pour analyser et identifier les erreurs de prédictions faites par des réseaux de neurones sur la tâche de reconnaissance de processus chirurgicaux. Nous avons proposé une catégorisation de ces erreurs de prédiction permettant de couvrir 100 % des cas rencontrés. En se basant sur cette analyse, nous avons développé deux méthodes de détection automatique des erreurs de prédiction pour la tâche de reconnaissance des processus chirurgicaux. Ces méthodes ont été utilisées pour pré-annoter les vidéos chirurgicales et ont été intégrées dans un logiciel d’annotation de processus chirurgicaux. Deux tests utilisateurs ont été conduits et ont montrés une accélération de l’annotation de l’ordre de dix minutes et d’une amélioration de la précision des annotations de 1% pour les phases et de 7% pour les étapes. Résumé (anglais) : The operating room benefited from many technological breakthroughs changing medical practice like for minimally invasive surgery or robot assisted surgery. The various medical devices allow to perform more accurate interventions. However, many challenges remain unexplored. In 2004, a workshop named “OR2020” was led to identify these challenges and to imagine the future operating room, smart and connected. Neural networks are the heart of intelligent systems, they require thousands of annotated data to be train. Annotation is a tedious task which might be complicated. In the case of medical data, the annotation process required a very specific knowledge provided by surgeons. In this thesis, we conducted studies to analysis and to identify prediction errors made by neural networks on the surgical workflow recognition problem. We proposed a categorization of those mistakes which covered 100% of error cases. Based on this analysis, we developed two methods to detect automatically prediction errors on the task of surgical workflow recognition. Those methods were used to pre-annotate surgical videos and have been implemented in an annotation software. Two user studies were conducted and showed the system fastened the annotation process by ten minutes and allowed to increase the annotation accuracy by 1% for the phases and by 7% for the steps. Identifiant : rennes1-ori-wf-1-13483 | ||
| Exporter au format XML |