Université de Rennes A hybrid CNN-snake approach for localization, segmentation, and shape representation in 3D biological imaging Une approche hybride CNN-snake pour la localisation, la segmentation et la représentation de formes en imagerie biologique 3D Contours actifs/SnakesApprentissage profondSegmentationImagerie biologiqueReprésentation de formes3D Active contours/SnakesDeep learningSegmantationBiological imagingShape representation3D Apprentissage profond Traitement d'images -- Techniques numériques Imagerie tridimensionnelle en biologie Au sein de cette thèse, on présente une approche qui combine les forces des contours actifs et de l’apprentissage profond pour mettre en place une méthode de segmentation 3D destinée aux images de biologie. On entraîne un réseau convolutif à estimer la position des objets au sein des images, et pour chacun d’entre eux, à prédire un ensemble de paramètres permettant de générer une surface qui délimite les bords de l’objet. Cette approche est une extension directe d’une méthode similaire en 2D. Le passage à la 3D présente de nombreux challenges, notamment dans la comparaison des surfaces prédites avec les masques de segmentation représentant la « vérité terrain » des objets au sein des images. Nous avons pu relever ces défis en utilisant des méthodes d’échantillonnage adéquat combinées à des métriques issues de la théorie du transport optimal. Notre méthode, comme elle représente les objets continûment sous forme de surfaces paramétriques, est très appropriée pour une analyse de forme à posteriori, par exemple de la courbure locale des objets. On investigue, au sein d’un ultime chapitre, le potentiel des réseaux incorporant des propriétés d’invariance ou d’équivariance, pour évaluer s’ils sont de bons candidats pour concevoir des méthodes de localisation et de segmentation plus robustes aux corruptions photométriques. This thesis presents an approach that combines the strengths of active contours and deep learning to implement a 3D segmentation method for biological imaging. A convolutional network is trained to estimate the position of objects within images and, for each object, to predict a set of parameters that can be used to generate a surface that delineates the object boundaries. This approach is a direct extension of a similar method in 2D. The transition to 3D presents many challenges, particularly in comparing the predicted surfaces with the segmentation masks representing the “ground truth” of objects within images. We were able to overcome these challenges by using appropriate sampling methods and applying concepts from optimal transport theory. Our method, which represents objects continuously as parametric surfaces, is well suited for a posteriori shape analysis, for example of the local curvature of objects. In the final chapter, we investigate the potential of networks incorporating invariance or equivariance properties to assess whether they are good candidates for designing localization and segmentation methods that are more robust to photometric corruption. Electronic Thesis or DissertationText en application/pdf1 : 70704 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/8e08dce0-2381-44c4-ad5e-965d39273eca Rapilly Quentin 1998-02-10 FR 297778390 qrapilly@gmail.com 2025URENS115 http://www.theses.fr/2025URENS115 2025-12-18 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiKervrannCharlesintervenant_1103581162BadoualAnaïsintervenant_2297778463Le GuyaderCaroleintervenant_3083630031MuresanLeilaintervenant_6260982954UhlmannVirginieintervenant_7285442619WeissPierreintervenant_4129563196DescombesXavierintervenant_5032311222 MATISSEecoleDoctorale_1 267602553 INRIA-RENNES partenaireRecherche_1 133175863 ddc:620 KervrannCharlesBadoualAnaïsLe GuyaderCaroleWeissPierreDescombesXavierMuresanLeilaUhlmannVirginieUniversité de RennesMATISSE INRIA-RENNES ASCII PDF 72401365