LOPEZ TIRO FRANCISCO

30/10

15h00

Soutenance de thèse de FRANCISCO LOPEZ TIRO

Identification automatisée du type des calculs rénaux en urétéroscopie à l'aide de techniques d'apprentissage profond

Automated identification of kidney stone types in ureteroscopy using deep learning approaches

Jury

Directeur de these_DAUL_Christian_Université de Lorraine
Rapporteur_FRINDEL_Carole_Université de Lyon, INSA
Rapporteur_PONCE ESPINOSA_Hiram Eredin_Universidad Panamericana
Examinateur_ALFARO PONCE_Mariel_Tecnológico de Monterrey
Examinateur_TREUILLET_Sylvie_Université d'Orléans
CoDirecteur de these_OCHOA RUIZ_Gilberto_Tecnológico de Monterrey
Examinateur_ESCHWèGE_Pascal_Université de Lorraine, CHRU Nancy

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Laboratoire

CRAN - Centre de Recherche en Automatique de Nancy

Mention de diplôme

Automatique, Traitement du signal et des images, Génie informatique

ENSEM, salle 126 jaune Université de Lorraine, 2 av. Foret de Haye, 54500 Vandoeuvre les Nancy, France

Mots clés

vision par ordinateur,apprentissage profond,calculs rénaux,,

Résumé de la thèse

La lithiase urinaire est une pathologie pour laquelle l'identification précise de la composition des calculs rénaux (CR) est essentielle au diagnostic, au choix du traitement et à la prévention des récidives. L'analyse morpho-constitutionnelle réalisée dans des laboratoires de biologie permet une caractérisation fiable des calculs rénaux, mais nécessite une grande expertise. Les approches basées sur l'apprentissage profond ont montré des résultats prometteurs pour la reconnaissance automatisée des CR à partir d'images endoscopiques.

Keywords

computer vision,deep learning,calculus renales,,

Abstract

Urolithiasis is an urological disorder for which an accurate kidney stone (KS) composition identification is essential for diagnosis, treatment, and recurrence prevention. Although morpho-constitutional analysis performed in biological laboratories on extracted KSs provides reliable urinari calculus characterization, it requires specialized expertise. Deep learning has shown promising results for automated KS recognition from endoscopic images.

Liste de toutes les soutenances