Sujets de recherche fondés sur les données du projet

Comment utiliser cette liste

Les sujets 1 à 33 s’adressent surtout aux étudiants en médecine, les sujets 34 à 56 aux étudiants en informatique. Beaucoup de sujets conviennent bien à un étudiant en médecine et à un étudiant en informatique travaillant ensemble ; voir le travail commun.

Les sujets sont un point de départ, pas un énoncé figé. Convenez de la formulation finale avec votre directeur de travail. Chaque sujet indique le type de travail qui lui convient et les données sur lesquelles il s’appuie.

La mention « nécessite l’approbation d’un comité d’éthique » signifie que l’étude implique des personnes : une enquête, une expérience pédagogique ou une analyse des performances des annotateurs eux-mêmes. Un tel travail ne peut commencer qu’une fois approuvé par le comité d’éthique de votre université.

De nombreux sujets dépendent de l’avancement du projet. Les sujets sur des jeux de données ouverts peuvent être pris dès maintenant ; ceux sur l’annotation propre au projet s’ouvriront quand l’annotation pilote commencera.

Anatomie et médecine opératoire

1. « À quelle fréquence la vue critique de sécurité est-elle atteinte en cholécystectomie par laparoscopie ? Une analyse du jeu de données ouvert Endoscapes2023 »
   Combien d’images avant le clipage satisfont chacun des trois critères de sécurité, et à quelle fréquence les experts divergent.
   Travail de cours, résumé · Endoscapes2023

2. « Le triangle de Calot à l’écran : un atlas d’anatomie laparoscopique à partir d’images annotées »
   Un atlas pédagogique montrant l’aspect du canal cystique, de l’artère cystique et du triangle hépato-cystique.
   Mémoire, support pédagogique · Endoscapes2023, CholecSeg8k

3. « Chronométrer une cholécystectomie : durée et variabilité des phases chirurgicales »
   Combien de temps dure chacune des sept phases, quelles phases s’allongent le plus souvent et à quoi cela peut tenir.
   Travail de cours · Cholec80

4. « Deux opérations, une même logique ? La structure temporelle de la cholécystectomie et de l’hystérectomie par laparoscopie »
   Comparaison de l’ordre et de la durée des étapes de deux opérations laparoscopiques différentes.
   Travail de cours, résumé · Cholec80, AutoLaparo

5. « Ce que voit le chirurgien en résection rectale robotique : à quelle fréquence les structures anatomiques sont visibles, et dans quelles conditions »
   Quels organes apparaissent dans le champ, à quelle fréquence et dans quelle mesure ils sont masqués.
   Travail de cours · DSAD

6. « Une carte des instruments de l’opération : quels instruments sont utilisés à chaque phase de la cholécystectomie »
   Relier les phases chirurgicales aux instruments visibles, comme base d’un schéma pédagogique et de l’évaluation des modèles.
   Travail de cours, résumé · Cholec80

7. « Fumée, sang et reflets : ce qui rend l’anatomie difficile à reconnaître sur les images laparoscopiques »
   Comment les obstacles visuels courants affectent la précision de l’annotation humaine et de celle des modèles.
   Mémoire · DSAD, CholecSeg8k

8. « Les repères d’une cholécystectomie sûre : définitions des recommandations cliniques et des guides d’annotation des jeux de données ouverts »
   Les définitions utilisées pour annoter les données correspondent-elles à ce qu’on enseigne aux chirurgiens ?
   Résumé, revue de la littérature · Endoscapes2023 et publications

Qualité de l’annotation et facteurs humains

9. « Concordance entre étudiants en médecine annotant des structures anatomiques »
   Le kappa de Fleiss et le coefficient de Dice pour différentes structures : où les étudiants s’accordent et où ils divergent.
   Résumé, article · annotation du projet · nécessite l’approbation d’un comité d’éthique

10. « Année, expérience, spécialité : la précision de l’annotation dépend-elle de la formation médicale ? »
    Des étudiants de différentes années, des internes et des chirurgiens comparés sur les mêmes images.
    Article · annotation du projet · nécessite l’approbation d’un comité d’éthique

11. « La courbe d’apprentissage d’un annotateur : comment évolue la précision des contours pendant les 20 premières heures »
    Quand la précision se stabilise et quelles structures sont les plus longues à apprendre.
    Mémoire · tâches de calibration du projet · nécessite l’approbation d’un comité d’éthique

12. « Faire confiance, mais vérifier : la tendance à accepter sans retouche la pré-annotation automatique »
    À quelle fréquence les annotateurs acceptent la suggestion d’un modèle même imprécise, et comment y remédier.
    Article · annotation du projet avec pré-annotation · nécessite l’approbation d’un comité d’éthique

13. « Où les annotateurs divergent : les causes anatomiques des désaccords de segmentation »
    Classement des images litigieuses du journal du responsable clinique : mauvaise visibilité, variante anatomique, définition peu claire.
    Résumé · le journal des cas litigieux du projet

14. « Le coût d’une image : l’effort d’annotation de la vidéo chirurgicale et comment le réduire »
    Combien de temps prennent une image et une vidéo, et ce qui accélère le travail sans perte de qualité.
    Travail de cours · statistiques des tâches CVAT

15. « Les phases chirurgicales vues par un étudiant et par un chirurgien : concordance sur les limites des phases »
    Avec quelle précision les étudiants marquent le début et la fin des phases par rapport à la référence des auteurs du jeu de données.
    Résumé · Cholec80 et annotation du projet

Intelligence artificielle en chirurgie

16. « Où le réseau se trompe : une revue clinique des erreurs de reconnaissance des phases chirurgicales »
    Le regard d’un médecin sur les erreurs d’un modèle : lesquelles sont dangereuses et lesquelles sont sans conséquence.
    Mémoire · Cholec80, modèles de référence du projet

17. « D’un hôpital à l’autre : de combien la reconnaissance des phases chute sur les données d’un autre hôpital »
    Un modèle entraîné sur des vidéos d’un hôpital est testé sur des vidéos d’autres hôpitaux.
    Article (avec un ingénieur) · Cholec80, HeiChole

18. « Un modèle peut-il reconnaître la vue critique de sécurité ? »
    À quel point l’évaluation d’un modèle se rapproche de celle des experts, et ce qui explique les écarts.
    Mémoire, article · Endoscapes2023

19. « Le modèle comprend-il l’anatomie ? Cartes d’attention et repères cliniques »
    Quelles parties de l’image le modèle « regarde », et si elles correspondent à ce que regarde un chirurgien.
    Mémoire · CholecSeg8k, Endoscapes2023

20. « Porc ou humain : les modèles de vision chirurgicale peuvent-ils apprendre à partir d’opérations sur des animaux ? »
    Comment des modèles entraînés sur des enregistrements d’opérations sur le porc se comportent sur des opérations chez l’humain.
    Article · EndoVis 2017, EndoVis 2018, CholecSeg8k

21. « Des modèles de segmentation généralistes sur vidéo chirurgicale : ce qu’ils voient sans ajustement fin »
    Test de modèles comme Segment Anything sur des images laparoscopiques : ce qui marche d’emblée et ce qui ne marche pas.
    Travail de cours · CholecSeg8k, DSAD

22. « Un assistant d’IA au bloc opératoire : quelles alertes les chirurgiens jugent utiles et lesquelles dangereuses »
    Une enquête auprès de chirurgiens et d’internes sur les fonctions souhaitables et inacceptables de l’IA peropératoire.
    Résumé · enquête · nécessite l’approbation d’un comité d’éthique

Autres spécialités

23. « Les instruments en chirurgie de la cataracte : ce qui est le plus difficile à reconnaître pour un modèle, et pourquoi »
    Une analyse d’erreurs de la segmentation d’instruments sur des images d’opérations au microscope.
    Travail de cours, ophtalmologie · CaDIS

24. « Le polype manqué : une revue clinique des erreurs de segmentation des polypes »
    Quels polypes les modèles manquent le plus souvent, et le lien avec leur forme, leur taille et leur localisation.
    Travail de cours, gastro-entérologie · Kvasir-SEG, HyperKvasir

25. « Au microscope et au laparoscope : les tâches de vision par ordinateur en chirurgie oculaire et abdominale »
    Une revue de ce qui distingue les données, les tâches et les difficultés dans ces deux domaines.
    Résumé, revue de la littérature · CATARACTS, Cholec80

Formation médicale

26. « Une vidéo chirurgicale annotée comme support pédagogique pour l’anatomie topographique : conception et évaluation »
    Construction d’un module pédagogique à partir d’images annotées et vérification de son intérêt en cours.
    Mémoire · annotation du projet · nécessite l’approbation d’un comité d’éthique

27. « L’exposition aux cas en chiffres : regarder des opérations annotées accélère-t-il la reconnaissance des repères anatomiques ? »
    Comparaison de la rapidité et de la précision de reconnaissance des structures avant et après une série de visionnages.
    Article · nécessite l’approbation d’un comité d’éthique

28. « Annoter pour apprendre : ce que les étudiants apprennent de l’anatomie et de la chirurgie en annotant des opérations »
    Auto-évaluation et test de connaissances avant et après un semestre dans le projet.
    Résumé · enquête · nécessite l’approbation d’un comité d’éthique

29. « Un entraîneur « Trouvez le canal cystique » : un exercice interactif sur des données ouvertes »
    Construction d’un exercice web où l’étudiant marque une structure et où le programme compare la réponse à la référence.
    Travail de cours (avec un étudiant en informatique) · CholecSeg8k, Endoscapes2023

Éthique, droit et organisation de la science

30. « L’IA peut-elle apprendre de YouTube ? Questions éthiques et juridiques de l’usage d’enregistrements publics d’opérations »
    Droit d’auteur, consentement du patient et désidentification : ce qu’exige un usage licite.
    Résumé, revue

31. « Licences des jeux de données chirurgicaux ouverts : ce qu’un chercheur a le droit de faire »
    Comparaison des conditions des jeux de données les plus courants et de ce qu’elles impliquent pour les publications.
    Résumé, revue

32. « Ce que l’image révèle : les données personnelles dans les enregistrements d’opérations endoscopiques et comment les supprimer »
    Quelles informations sur les patients et le personnel apparaissent dans les enregistrements, et comment les masquer de façon fiable.
    Travail de cours · méthodologie du projet

33. « La science ouverte en chirurgie : comment les étudiants en médecine peuvent participer à une recherche reproductible »
    L’expérience du projet comme modèle de participation étudiante à la science.
    Résumé, essai

Vision par ordinateur et apprentissage automatique

34. « Un modèle de référence de segmentation anatomique sur CholecSeg8k : une comparaison reproductible de U-Net, DeepLabV3+ et SegFormer »
    Les mêmes découpages, le même budget d’entraînement et les mêmes métriques pour trois architectures, avec ablations et intervalles de confiance.
    Travail de cours, mémoire · CholecSeg8k

35. « Reconnaissance des phases chirurgicales en cholécystectomie : réseaux convolutifs temporels contre transformers »
    Quelle architecture gère le mieux le long contexte d’une opération, et où les deux échouent.
    Mémoire · Cholec80

36. « Peu d’annotations, beaucoup de vidéo : apprentissage semi-supervisé et auto-supervisé pour la segmentation chirurgicale »
    Comment utiliser des milliers d’images non étiquetées pour améliorer un modèle entraîné sur quelques centaines d’images étiquetées.
    Mémoire, mémoire de master · Endoscapes2023, Cholec80

37. « Adapter Segment Anything 2 à la vidéo laparoscopique : ajustement fin et évaluation »
    De combien l’ajustement fin d’un modèle généraliste améliore la segmentation des organes et des instruments, et combien d’annotations il exige.
    Mémoire · CholecSeg8k, Endoscapes2023

38. « Robustesse à la fumée, aux reflets et au flou : une batterie de dégradations pour tester les modèles de vision chirurgicale »
    Dégradations synthétiques et réelles, la baisse de qualité et les moyens de la réduire.
    Travail de cours · CholecSeg8k, DSAD

39. « Quand un modèle doit dire « je ne sais pas » : calibration de la confiance des modèles de segmentation »
    Mesurer et améliorer la calibration, et s’abstenir sur les images douteuses.
    Mémoire · CholecSeg8k, Endoscapes2023

40. « Du porc à l’humain : adaptation de domaine pour la segmentation des instruments »
    Comment transférer un modèle entraîné sur des opérations sur des animaux vers des enregistrements d’opérations chez l’humain.
    Article · EndoVis 2017, EndoVis 2018, CholecSeg8k

41. « Sous les 50 millisecondes : distillation et quantification pour des modèles en temps réel »
    Comment maintenir la qualité dans l’objectif de 30 à 50 ms par image, et comment mesurer honnêtement la latence.
    Mémoire · CholecSeg8k, Cholec80

42. « Détection et suivi des instruments chirurgicaux dans la vidéo »
    Un détecteur et un suiveur d’instruments, des métriques de suivi, les erreurs en cas d’occlusion.
    Travail de cours · CholecT50, Cholec80

43. « Reconnaissance de triplets d’action instrument–verbe–cible »
    Des modèles pour les triplets d’action et une analyse des classes les plus difficiles.
    Mémoire · CholecT50

Données, annotation et MLOps

44. « Apprentissage actif pour l’annotation : quelles images envoyer en premier aux annotateurs »
    Des stratégies de sélection d’images et le nombre d’heures d’annotation qu’elles économisent à qualité de modèle égale.
    Mémoire · Cholec80, CholecSeg8k

45. « Contrôle qualité automatique de l’annotation : repérer les masques suspects avant la relecture »
    Des règles et des modèles qui signalent les erreurs probables des annotateurs.
    Travail de cours · annotation du projet

46. « Une bibliothèque de métriques de concordance inter-annotateurs pour la segmentation et l’annotation temporelle »
    Kappa de Fleiss, Dice, concordance sur les limites des phases, avec tests et documentation.
    Travail de cours · données synthétiques, annotation du projet

47. « Une chaîne d’entraînement reproductible : d’une version des données à une fiche de modèle »
    DVC, Hydra et MLflow dans une seule chaîne, de sorte que tout résultat puisse être répété avec une seule commande.
    Travail de cours, mémoire · tout jeu de données ouvert

48. « Des découpages sans fuite : vérifier automatiquement qu’aucun patient n’apparaît à la fois dans l’entraînement et dans le test »
    Comment les fuites gonflent les métriques et comment les détecter par des tests.
    Travail de cours · Cholec80, Endoscapes2023

49. « Un benchmark honnête : intervalles de confiance, exécutions répétées et protection du jeu de test »
    Comment construire un classement où les résultats ne peuvent pas être ajustés au jeu de test.
    Mémoire · jeux de données ouverts

Désidentification et sécurité

50. « Le texte sur les écrans des appareils d’endoscopie : le détecter et le masquer dans une chaîne de désidentification »
    Repérer dans l’image les dates, les noms et les numéros, et les masquer de façon fiable.
    Travail de cours, mémoire · images synthétiques

51. « Images hors du corps : détecter les visages du personnel et la salle d’opération dans les enregistrements »
    Un classifieur d’images dedans/dehors et une détection de visages pour le filtrage automatique.
    Travail de cours · Cholec80

52. « Comment prouver qu’une vidéo est désidentifiée : une méthode de vérification d’une chaîne de désidentification »
    Jeux de test, métriques de taux d’omission et recette indépendante.
    Mémoire · données synthétiques

Génie logiciel et interfaces

53. « Un modèle de pré-annotation dans CVAT sous forme de fonction serverless : latence, charge et passage à l’échelle »
    Intégrer un modèle à l’outil d’annotation et mesurer comment il tient avec de nombreux annotateurs.
    Mémoire · CVAT, Segment Anything 2

54. « Un entraîneur web d’anatomie pour les étudiants en médecine sur des données ouvertes »
    Un exercice interactif : l’étudiant marque une structure et le programme compare la réponse à la référence.
    Travail de cours · CholecSeg8k, Endoscapes2023

55. « Une interface pour la relecture clinique des erreurs d’un modèle »
    Comment montrer à un médecin où et pourquoi un modèle s’est trompé, pour qu’une relecture prenne des minutes plutôt que des heures.
    Travail de cours · Cholec80, CholecSeg8k

56. « L’infrastructure comme code pour l’IA médicale : isolation des données, journal d’audit et déploiements reproductibles »
    Comment construire une plateforme Kubernetes où les données médicales ne fuient pas et où chaque déploiement est répétable.
    Mémoire · infrastructure du projet, sur accord

Travail commun pour les étudiants en médecine et en informatique

Les travaux les plus intéressants se font en binôme : l’étudiant en médecine porte le sens clinique, l’étudiant en informatique le modèle et le code. Sujets qui se combinent bien :

• 16 + 35 : un modèle de reconnaissance des phases et une revue clinique de ses erreurs ;
• 20 + 40 : le transfert de modèles des opérations sur l’animal aux opérations chez l’humain, du côté de l’ingénierie et du côté clinique ;
• 29 + 54 : l’entraîneur « Trouvez le canal cystique », son contenu et son implémentation ;
• 13 + 45 : les images litigieuses vues par un chirurgien et la détection automatique des erreurs d’annotation ;
• 16 + 55 : une interface où un médecin relit les erreurs d’un modèle.

Règles pour le travail sur les données du projet

• Citez les auteurs du jeu de données et respectez les conditions de la licence. La plupart des jeux de données n’autorisent qu’un usage non commercial. Voir la page des licences.
• Aucune donnée de patient en dehors des jeux de données publiés et des vidéos autorisées. N’utilisez pas d’enregistrements de votre propre hôpital.
• Les études impliquant des personnes uniquement après l’approbation du comité d’éthique de votre université et avec le consentement des participants.
• Un résultat négatif est un résultat. Un travail qui montre honnêtement qu’une idée n’a pas fonctionné est précieux pour le projet.
• Les publications utilisant les données du projet doivent être convenues à l’avance avec le responsable scientifique du projet. La paternité suit l’accord de contribution.

Proposez votre propre sujet

Vous avez une idée qui n’est pas dans la liste ? Écrivez à support@opensurgicalvision.org avec l’objet « Research topic » (en anglais, pour que l’équipe puisse trier les messages) ou ouvrez un fil dans les GitHub Discussions. Les bons sujets seront ajoutés à la liste.

Pour commencer, consultez les pages pour les étudiants en médecine, pour les étudiants en informatique et pour les enseignants.