Abstract
Méthodes d’apprentissage profond et perspectives probabilistes en adaptation de domaine non supervisée pour la segmentation d’images biomédicales: La segmentation sémantique est essentielle en imagerie biomédicale, mais la variabilité des acquisitions entraîne un fort décalage de domaine, dégradant les performances des modèles sur de nouvelles images. Les méthodes d’adaptation de domaine non supervisée (UDA) offrent une solution, mais les approches récentes, surtout conçues pour des données naturelles synthétique-vers-réel, s’adaptent mal aux images biomédicales. Nous proposons d’exploiter des modèles de diffusion pour tirer parti de l’hypothèse de décalage de covariables en générant des masques binaires conditionnés par l’image et intégrés dans un espace latent commun pour améliorer l’adaptativité. Un second axe s’appuie sur les modèles de fondation, notamment SAM, dont la segmentation zero-shot est utilisée dans RESAMPL-UDA comme pseudo-étiquettes raffinées. Les limites de SAM en non supervisé motivent PRISM-UDA, une approche hybride conciliant SAM et auto-apprentissage pour une adaptation plus fiable.