Université de Rennes Accurate and robust automated detection and segmentation of multiple sclerosis lesions in spinal cord MRI Détection et segmentation automatiques, précises et robustes des lésions de sclérose en plaques dans les IRM de la moelle épinière Sclérose en plaquesIRMSegmentation des lésionsApprentissage automatique Multiple SclerosisSpinal Cord MRILesion SegmentationMulti-Sequence LearningSynthetic Data GenerationInter-Expert VariabilityMissing ModalityMultimodal Fusion Sclérose en plaques Moelle épinière Imagerie par résonance magnétique Apprentissage automatique Cette thèse porte sur l'amélioration de la segmentation et de la détection des lésions de sclérose en plaques (SEP) dans l'IRM de la moelle épinière, une tâche important et complexe en pratique clinique. Une étude de la segmentation manuelle des lésions a mis en évidence une variabilité importante entre les experts, soulignant la nécessité de méthodes automatisées robustes et sensibles. Pour y répondre, nous avons étudié des stratégies de fusion pour combiner l'information de plusieurs images acquises avec des séquences IRM différentes. La fusion tardive s’est révélée particulièrement efficace, surpassant nettement les modèles basés sur une seule séquence. Enfin, la thèse introduit LesionSCynth, un cadre simple et efficace pour la synthèse de lésions réalistes de la moelle épinière, ce qui permet d'améliorer les performances dans des contextes de données limitées et de réduire la dépendance aux annotations manuelles. Globalement, les contributions de cette thèse font progresser le développement d’outils de segmentation fiables, généralisables et économes en données pour l’analyse des lésions de la moelle épinière dans la SEP. This thesis develops automated tools to localise multiple sclerosis (MS) lesions in spinal cord MRI — a crucial but challenging clinical task. First, we investigated inter- and intra-rater variability in lesion segmentation, revealing substantial disagreement among raters and underscoring the need for robust automated methods. To address this, we explored multi-sequence learning strategies to combine the information from multiple MRI sequences. Late fusion notably outperformed single-sequence models. Moreover, we found that multi-sequence training with intermediate fusion improved single-sequence inference, and introduced a latent feature augmentation procedure to replicate that benefit for single-sequence training. Finally, the thesis presents LesionSCynth, a framework for synthesising realistic spinal cord lesions, which increased the performance of segmentation models in low-data scenarios and reduces the need for manual annotations. Overall, these contributions advance data-efficient, flexible, and reliable tools for spinal cord lesion analysis in MS. Electronic Thesis or DissertationText en application/pdf1 : 7269 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/1fb2f114-5795-4d95-b689-d0f05a226e4a Walsh Ricky 1994-01-28 IE 293708657 RICKYMWALSH@GMAIL.COM 2025URENS068 http://www.theses.fr/2025URENS068 2025-10-17 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiGalassiFrancescaintervenant_1270263551KerbratAnneintervenant_2168975963FromontÉlisaintervenant_3095621601Cohen-AdadJulienintervenant_5137026382DojatMichelintervenant_4075440202FrindelCaroleintervenant_6144751607 MATISSEecoleDoctorale_1 267602553 IRISA partenaireRecherche_1 026386909 ddc:620 ddc:610 GalassiFrancescaKerbratAnneFromontÉlisaDojatMichelCohen-AdadJulienFrindelCaroleUniversité de RennesMATISSE IRISA ASCII PDF 7442950