Thèse Segmentation d'Images Médicales par Méta-Apprentissage Robuste et Évolutif en Contexte de Rareté des Données H/F - Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : IRIT : Institut de Recherche en Informatique de Toulouse Direction de la thèse : Lotfi CHAARI ORCID 0000000235900370 Début de la thèse : 2027-09-01 Date limite de candidature : 2026-11-16T23:59:59 La segmentation d'images médicales joue un rôle clé dans le diagnostic, la planification thérapeutique, le suivi des patients et la prise de décision clinique, en permettant une délimitation précise des structures anatomiques et des régions pathologiques. L'apprentissage profond a considérablement fait progresser ce domaine, donnant naissance à des modèles de segmentation très performants capables d'apprendre automatiquement des représentations pertinentes à partir des données. Cependant, ces méthodes nécessitent généralement de grandes quantités d'images représentatives et annotées avec précision. En imagerie médicale, de telles annotations sont particulièrement coûteuses à obtenir, car elles requièrent souvent une délinéation manuelle chronophage par des experts cliniques, tandis que certaines structures anatomiques ou certains cas pathologiques peuvent être rares. L'augmentation de données et le transfert d'apprentissage peuvent aider à atténuer cette limitation, mais leur efficacité peut diminuer lorsque seuls quelques exemples annotés sont disponibles ou lorsqu'il existe un écart important entre les tâches de segmentation source et cible.
Dans ce contexte, le méta-apprentissage offre une alternative prometteuse en apprenant, à travers une distribution de tâches, comment s'adapter rapidement à une nouvelle tâche à partir de seulement quelques exemples annotés. Il s'inscrit dans le paradigme « apprendre à apprendre » et constitue un cadre naturel pour l'apprentissage à partir de peu d'exemples (few-shot learning) dans des contextes de rareté des données. Parmi les approches de méta-apprentissage fondées sur l'optimisation, le Model-Agnostic Meta-Learning (MAML) a suscité un intérêt particulier car il apprend une initialisation pouvant être rapidement affinée pour des tâches inédites. Son application à la segmentation d'images médicales a montré des résultats prometteurs par rapport aux stratégies d'entraînement conventionnelles et de transfert d'apprentissage.
L'objectif global de ce projet de thèse est de développer des méthodes de méta-apprentissage robustes, évolutives et efficaces en termes de données pour la segmentation d'images médicales, permettant une adaptation efficace et rapide à de nouvelles tâches de segmentation à partir d'un nombre restreint d'exemples annotés. La thèse poursuivra les trois objectifs spécifiques suivants :
- Améliorer l'évolutivité (scalabilité) et la stabilité du méta-apprentissage fondé sur l'optimisation pour la segmentation d'images médicales
- Caractériser et exploiter des distributions de tâches médicales hétérogènes
- Améliorer l'efficacité et la spécificité de l'adaptation à de nouvelles tâches médicales
Medical image segmentation plays a key role in diagnosis, treatment planning, patient monitoring, and clinical decision-making by enabling the precise delineation of anatomical structures and pathological regions. Deep learning has significantly advanced this field, leading to highly effective segmentation models that can automatically learn relevant image representations from data. However, these methods generally require large amounts of representative and accurately annotated images. In medical imaging, such annotations are particularly costly to obtain, as they often require time-consuming manual delineation by clinical experts, while some anatomical structures or pathological cases may be rare. Data augmentation and transfer learning can help alleviate this limitation, but their effectiveness may decrease when only a few annotated examples are available or when there is a substantial gap between the source and target segmentation tasks.
In this context, meta-learning offers a promising alternative by learning, across a distribution of tasks, how to rapidly adapt to a new task from only a few labeled examples.. It follows the learning to learn paradigm and provides a natural framework for few-shot learning in data-scarce settings. Among optimization-based meta-learning approaches, Model-Agnostic Meta-Learning (MAML) has attracted particular interest because it learns an initialization that can be rapidly fine-tuned to unseen tasks. Its application to medical image segmentation has shown promising results compared with conventional training and transfer-learning strategies.

Master ou ingénieur en informatique avec des connaissances en apprentissage automatique et en optimisation.