L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Monsieur Rezkellah Nour Eddine KHIATI

Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à l’Institut Polytechnique de Paris Télécom SudParis en :

Signal, Images, Automatique et robotique

« Apprentissage profond confiant pour l’analyse prédictive et le suivi des maladies pulmonaires interstitielles »

le JEUDI 3 DéCEMBRE 2026 à 14h00

à

Salle C06
9 rue Charles Fourier, 91000, Evry-Courcouronnes

Membres du jury :

M. Catalin FETITA, Professeur, Institut Polytechnique de Paris, Télécom SudParis, FRANCE – Directeur de thèse
Mme Yasmina CHENOUNE, Maitresse de conférences, ESME École Spéciale de Mécanique et d’Electricité, FRANCE – Rapporteur
M. Nicolas LOMéNIE, Professeur, Université Paris Cité, FRANCE – Rapporteur
Mme Elsa  ANGELINI, Professeure, Telecom Paris, FRANCE – Examinateur
M. Grégoire  MALANDAIN, Directeur de recherche, INRIA Sophia-Antipolis, FRANCE – Examinateur
M. Gael DOURNES, Professeur des universités – praticien hospitalier, Université de Bordeaux, FRANCE – Examinateur
M. Pierre-Yves BRILLET, Professeur des universités – praticien hospitalier, Université Sorbonne Paris Nord, FRANCE – Examinateur
Mme Ruxandra  TAPU, Maitresse de conférences , Institut Polytechnique de Paris, Télécom SudParis, FRANCE – Co-encadrant de thèse

Invité :

M. Radu ISPAS, Docteur, Keyrus

« Apprentissage profond confiant pour l’analyse prédictive et le suivi des maladies pulmonaires interstitielles. »

présenté par Monsieur Rezkellah Nour Eddine KHIATI

Résumé :

Les pneumopathies interstitielles diffuses (PID), incluant la fibrose pulmonaire idiopathique (FPI) et la pneumopathie interstitielle non spécifique (PINS), provoquent une dégradation continue et irréversible de la fonction pulmonaire et nécessitent un suivi quantitatif régulier par tomodensitométrie haute résolution (TDM-HR). La construction d’outils fiables d’apprentissage profond pour ce suivi se heurte à deux obstacles structurels : la rareté chronique des données pathologiques annotées, les cas de PID étant plus rares et plus hétérogènes que les examens sains, et la nécessité d’un niveau de confiance dans les prédictions à la hauteur d’un suivi clinique longitudinal, en particulier pour les motifs pathologiques rares ou sous-représentés. Cette thèse, réalisée dans le cadre d’une convention CIFRE entre le laboratoire SAMOVAR de Télécom SudParis, Institut Polytechnique de Paris, et le partenaire industriel Keyrus, répond à ces deux obstacles au moyen d’un pipeline unique, structuré anatomiquement, analysant le poumon à quatre niveaux couplés de granularité croissante, associant modélisation générative (GAN, modèles de diffusion) et architectures sensibles à la topologie et à la géométrie (réseaux de graphes et de nuages de points). La première contribution réalise une segmentation de la forme globale du poumon robuste à une pathologie interstitielle sévère, par augmentation de données synthétiques fondée sur CycleGAN. La deuxième reformule le partitionnement lobaire comme une classification de nuages de points vasculaires via PointNet++, étendue à l’UTE-MRI. La troisième aborde la segmentation texturale du parenchyme à travers deux stratégies fondées sur la diffusion, DiffLung (supervisée) et DiffSegLung (non supervisée, par distillation radiomique). La quatrième améliore la segmentation de l’arbre bronchique par un réseau d’attention sur graphes (HR-NET-GAT) opérant sur le squelette des voies aériennes. Validées sur des cohortes réelles, notamment 156 patients atteints de PID de l’hôpital Avicenne, les quatre contributions forment un pipeline cohérent répondant à la rareté des données par la synthèse générative et à la nécessité de fiabilité des prédictions par une modélisation sensible à la topologie et non supervisée.
Abstract :

Interstitial lung diseases (ILDs), including idiopathic pulmonary fibrosis (IPF) and nonspecific interstitial pneumonia (NSIP), cause continuous and irreversible decline in lung function and require regular quantitative monitoring through high-resolution computed tomography (HRCT). Building reliable deep learning tools for this monitoring is made difficult by two structural obstacles: the chronic scarcity of annotated pathological data, since ILD cases are rarer and more heterogeneous than healthy scans, and the need for prediction confidence commensurate with longitudinal clinical follow-up, particularly for rare or under-represented disease patterns. This thesis, conducted under a CIFRE convention between the SAMOVAR laboratory at Télécom SudParis, Institut Polytechnique de Paris, and the industrial partner Keyrus, addresses both obstacles through a single anatomically structured pipeline analyzing the lung at four coupled levels of increasing detail, combining generative modeling (GANs, diffusion models) with topology- and geometry-aware architectures (graph and point cloud networks). The first contribution performs whole-lung shape segmentation robust to severe ILD pathology using CycleGAN-based synthetic data augmentation. The second reformulates lobar partitioning as vascular point cloud classification with PointNet++, extended to UTE-MRI. The third addresses parenchymal texture segmentation through two diffusion-based strategies, DiffLung (supervised) and DiffSegLung (unsupervised, via radiomic distillation). The fourth improves airway tree segmentation through a graph attention network (HR-NET-GAT) operating on the airway skeleton. Validated on real cohorts, notably 156 ILD patients from Avicenne Hospital, the four contributions form a coherent pipeline addressing data scarcity through generative synthesis and prediction confidence through topology-aware and unsupervised modeling.