Semi-supervised interactive deep learning for volume segmentation in electron tomography
Apprentissage profond interactif et semi-supervisé pour la segmentation volumique en tomographie électronique
Résumé
Electron tomography (ET) is a powerful technique for the 3D reconstruction of materials on the nanometre scale. ET is used to characterize the properties of catalysts used in the energy sector. Analysis of these materials requires automatic segmentation of the images, i.e. obtaining a map of the image in which each voxel is annotated in terms of material or void. However, ET images are noisy and contain reconstruction artifacts, making automatic segmentation difficult. Deep learning semantic segmentation methods require training on large, fully annotated databases. The cost of annotating such a large amount of data is significant, especially if the data is voluminous. Such databases are not available for ET.In this thesis, we propose new deep-learning methods for semi-supervised segmentation, considering the small amount of data available. This work is based on contrastive learning and memory networks derived from recent video segmentation methods, which we have adapted for volume segmentation.
La tomographie électronique (TE) est une puissante technique de reconstruction 3D de matériaux à l'échelle du nanomètre. La TE permet de caractériser les propriétés de catalyseurs utilisés dans le domaine de l’énergie. L'analyse de ces matériaux nécessite une étape de segmentation automatique de ces images, c’est-à-dire l’obtention d'une carte de l’image où chaque voxel est annoté en matière ou en vide. Cependant, les images issues de la TE sont bruitées et contiennent des artéfacts de reconstruction, ce qui rend la segmentation automatique difficile. Les méthodes de segmentation sémantique par apprentissage profond nécessitent un entraînement sur de grandes bases données complètement annotées. L'annotation d'un tel nombre de données demande un coût significatif, surtout si les données sont volumiques. De telles bases ne sont pas disponibles pour la TE.Dans ce travail de thèse, nous proposons de nouvelles méthodes d'apprentissage profond de segmentation semi-supervisée, prenant en compte le faible nombre de données disponible. Ces travaux s'appuient sur l'apprentissage contrastif ainsi que des réseaux à mémoire, issues de récentes méthodes de segmentation vidéo, que nous avons adapté pour la segmentation volumique.
Origine : Version validée par le jury (STAR)