Correction de l'exposition des images et prédiction de la profondeur à l'aide de l'apprentissage profond pour la cartographie 3D en endoscopie

Ce manuscrit porte sur le développement de techniques d'apprentissage profond pour améliorer la reconstruction 3D en coloscopie. Ce travail propose, dans le cadre de la construction de surfaces à partir de vidéos-séquences 2D d'endoscopie monoculaire, une approche de vision passive qui combine une correction photométrique et une estimation de profondeur auto-supervisée, le défi étant de prendre en compte les difficultés liées à l'illumination non uniforme des parois internes du côlon et à la présence de peu de textures et de structure dans les images. Les contributions incluent la création du jeu de données synthétique Endo4IE conçu pour l'entraînement de modèles de correction de l'exposition, ainsi que de l'amélioration de méthodes d'apprentissage profond capables de restaurer les détails structurels dans les zones d'images sous- ou surexposées. Par ailleurs, un modèle d'estimation de profondeur auto-supervisé et invariant aux changements d'illumination a été proposé pour calculer la forme des surfaces sans vérité terrain. Ces modules ont été intégrés dans une chaîne de reconstruction 3D permettant la génération de surfaces denses aux formes cohérentes. De nombreuses expériences avec des données synthétiques et réelles démontrent l'amélioration i)des contrastes dans les images, ii) de la robustesse du suivi de la trajectoire 3D de la caméra dans le côlon et iii) de la qualité de la construction des surcfaces. Ces résulats contribent tous à une visualisation endoscopique plus exploitable et guidée par la géométrie