Explicabilité des modèles d'apprentissage profond pour la segmentation vasculaire

Le système vasculaire joue un rôle essentiel dans le maintien de l'homéostasie métabolique en assurant l'approvisionnement des organes en nutriments et oxygène, ainsi que l'évacuation des déchets. Dans ce contexte, la segmentation des vaisseaux sanguins est un enjeu important pour le diagnostic, la planification de procédures chirurgicales, et le suivi post-opératoire. Les méthodes modernes de segmentation reposent largement sur des modèles d'apprentissage profond, qui, malgré leurs bonnes performances, souffrent d'un manque d'intelligibilité. En effet, la logique sous-jacente derrière ces modèles n'est ni interprétable, ni basée sur des critères spécifiques à l'application, ce qui ne garantit pas une décision alignée sur le raisonnement d'un clinicien expert. Cette opacité constitue un obstacle majeur à l'adoption de ces modèles au delà de la communauté universitaire.Dans cette thèse, nous avons abordé la question de la rationalité des modèles selon deux axes. Premièrement, nous avons proposé une méthode qui favorise l'extraction de caractéristiques pertinentes par les modèles en amplifiant, dans les données d'apprentissage,l'information géométrique spécifique des vaisseaux. Pour ce faire, nous avons combiné des réseaux de neurones convolutifs avec des approches classiques basées sur les filtres de rehaussement vasculaire. En entraînant un modèle d'apprentissage profond selon une stratégie de fusion précoce des images obtenues par ces filtrages, nous avons étendu l'état de l'art et observé une amélioration systématique des performances sous plusieurs aspects,sans modifier l'architecture du modèle. Deuxièmement, nous avons développé un cadre de travail reproductible et modulaire pour expliquer les décisions d'un modèle de segmentation vasculaire. En nous basant sur la vérité terrain des vaisseaux, nous avons étudié l'influence de descripteurs anatomiques a priori sur la segmentation de points d'intérêt anatomiquement pertinents. Nos résultats montrent que les modèles U-Net et Swin UNETR,deux architectures complémentaires largement utilisées en segmentation de vaisseaux, sont principalement guidés par des caractéristiques locales et négligent les caractéristiques topologiques et géométriques, pourtant cruciales dans le contexte vasculaire. Nos conclusions invitent à poursuivre les efforts dans la conception d'approches intégrant davantage ces connaissances a priori, que ce soit par l'architecture, l'enrichissement des données ou l'adaptation des fonctions de perte.