v1 final

latex/cover/1ere.tex

@@ -201,7 +201,7 @@
 
 		\small{Spécialité de doctorat: \PhDspeciality} \bigskip %% Spécialité 
 		\vfill  
-		\footnotesize{Thèse présentée et soutenue à \defenseplace, le \defensedate, par} \bigskip
+		\footnotesize{Thèse présentée et soutenue à \defenseplace, prévue le \defensedate, par} \bigskip
 		\vfill
 		\Large{\textbf{\textsc{\PhDname}}} %% Nom du docteur
 		\vfill

latex/cover/4eme.tex

@@ -44,13 +44,13 @@
 \newcommand{\PhDTitleFR}{Optimisation d'hyper-paramètres en apprentissage profond et apprentissage par transfert - Applications en imagerie médicale}													%% Titre de la thèse en français / Thesis title in french
 \newcommand{\keywordsFR}{Apprentissage profond, imagerie médicale, apprentissage par transfert, déformation de modèles, segmentation}														%% Mots clés en français, séprarés par des , / Keywords in french, separated by ,
 \newcommand{\abstractFR}{
-Ces dernières années, l'apprentissage profond a complètement changé le domaine de vision par ordinateur. Plus rapide, donnant de meilleurs résultats, et nécessitant une expertise moindre pour s'en servir que les méthodes classiques de vision par ordinateur, l'apprentissage profond est devenu omniprésent dans tous les problèmes d'imagerie, y compris l'imagerie médicale.
+Ces dernières années, l'apprentissage profond a complètement changé le domaine de vision par ordinateur. Plus rapide, donnant de meilleurs résultats, et nécessitant une expertise moindre pour être utilisé que les méthodes classiques de vision par ordinateur, l'apprentissage profond est devenu omniprésent dans tous les problèmes d'imagerie, y compris l'imagerie médicale.
 
-Au début de cette thèse, il y avait encore un manque d'outils et de compréhension sur la construction de réseaux de neurones adaptés à des tâches spécifiques. Cela nous a conduit au sujet de l'optimisation d'hyper-paramètres de réseaux de neurones, qui sont les méthodes pour trouver automatiquement des réseaux de neurones adaptés à des tâches spécifiques. Cette thèse inclus une comparaison de certaines de ces méthodes, une amélioration en performance d'une de ces méthodes, l'optimisation bayésienne, et la proposition d'une nouvelle méthode d'optimisation d'hyper-paramètres basé sur la combinaison de deux méthodes existantes : l'optimisation bayésienne et hyperband.
+Au début de cette thèse, la construction de réseaux de neurones adaptés à des tâches spécifiques ne bénéficiait pas encore de suffisamment d'outils ni d'une compréhension approfondie. Afin de trouver automatiquement des réseaux de neurones adaptés à des tâches spécifiques, nous avons ainsi apporté des contributions à l’optimisation d’hyper-paramètres de réseaux de neurones. Cette thèse propose une comparaison de certaines méthodes d'optimisation, une amélioration en performance d'une de ces méthodes, l'optimisation bayésienne, et une nouvelle méthode d'optimisation d'hyper-paramètres basé sur la combinaison de deux méthodes existantes : l'optimisation bayésienne et hyperband.
 
-Une fois équippé de ces outils, nous les avons utilisé pour des problèmes d'imagerie médicale : la classification de champs de vue en IRM, et la segmentation du rein en échographie 3D pour deux groupes de patients. Cette dernière tâche a nécessité le développement d'une nouvelle méthode d'apprentissage par transfert basé sur la modification du réseau de neurones source par l'ajout de nouvelles couches de transformations géométrique et d'intensité.
+Une fois équipés de ces outils, nous les avons utilisés pour des problèmes d'imagerie médicale : la classification de champs de vue en IRM, et la segmentation du rein en échographie 3D pour deux groupes de patients. Cette dernière tâche a nécessité le développement d'une nouvelle méthode d'apprentissage par transfert reposant sur la modification du réseau de neurones source par l'ajout de nouvelles couches de transformations géométrique et d'intensité.
 
-En dernière partie, cette thèse retourne vers les méthodes classiques de vision par ordinateur, et nous proposons un nouvel algorithme de segmentation qui combine les méthodes de déformations de modèles et l'apprentissage profond. Nous montrons comment utiliser un réseau de neurones pour prédire des transformations globales et locales sans accès aux vérités-terrains de ces transformations. Cette méthode est validé sur la tâche de la segmentation du rein en échographie 3D.
+En dernière partie, cette thèse revient vers les méthodes classiques de vision par ordinateur, et nous proposons un nouvel algorithme de segmentation qui combine les méthodes de déformations de modèles et l'apprentissage profond. Nous montrons comment utiliser un réseau de neurones pour prédire des transformations globales et locales sans accès aux vérités-terrains de ces transformations. Cette méthode est validé sur la tâche de la segmentation du rein en échographie 3D.
 }															%% Résumé en français / abstract in french
 
 \newcommand{\PhDTitleEN}{Hyper-parameter optimization in deep learning and transfer learning - Applications to medical imaging}													%% Titre de la thèse en anglais / Thesis title in english