← Retour au calendrier
30
Oct

Soutenance de thèse de Francisco Lopez-Tiro

📅 30/10/2026🕒 15:00 - 18:00
📍 CRAN – ENSEM, 2, Avenue de la Foret de Haye, Voandoeuvre-les-Nancy, FR
Soutenance de thèses et HDR

Description

Titre : Identification automatisée des types de calculs rénaux en urétéroscopie à l’aide de méthodes d’apprentissage profond

Date et lieu : Vendredi 30 octobre 2026 à 15 h 00 (heure de Paris)
Salle de réunion 124 Jaune, ENSEM, site ingénieur de Brabois, Université de Lorraine
2 avenue de la Forêt-de-Haye, 54500 Vandœuvre-lès-Nancy, France
Microsoft Teams : https://teams.microsoft.com/meet/3985116858780991?p=yVqW3dXKsLnu7EoVOO

Composition du jury :
Carole Frindel, MCF HDR, Université de Lyon, CREATIS, France — rapporteure
Hiram Eredin Ponce Espinosa, Universidad Panamericana, Campus Mexico City, Mexique — rapporteur
Mariel Alfaro-Ponce, Tecnológico de Monterrey, Campus Mexico City, Mexique — examinatrice
Sylvie Treuillet, PU, Université d’Orléans, PRISME, France — examinatrice
Pascal Eschwège, PU-PH, Université de Lorraine, CHRU de Nancy, CRAN, France — examinateur
Gilberto Ochoa-Ruiz, Tecnológico de Monterrey, Campus Guadalajara, Mexique — codirecteur de thèse
Christian Daul, PU, Université de Lorraine, CRAN, France — directeur de thèse

Résumé :
La lithiase urinaire est une pathologie pour laquelle l’identification précise de la composition des calculs rénaux est essentielle au diagnostic, au choix du traitement et à la prévention des récidives. L’analyse morpho-constitutionnelle réalisée en laboratoire permet une caractérisation fiable des calculs, mais nécessite une expertise spécialisée.
Les approches fondées sur l’apprentissage profond ont montré des résultats prometteurs pour la reconnaissance automatisée des calculs rénaux à partir d’images endoscopiques. Cependant, leur application clinique reste limitée par la disponibilité restreinte de bases de données annotées, le déséquilibre des classes et l’exploitation insuffisante des informations complémentaires issues de différentes vues endoscopiques.
Cette thèse propose un cadre unifié d’apprentissage profond combinant la génération de données synthétiques, l’apprentissage de représentations hiérarchiques et l’apprentissage multivue. Une stratégie fondée sur les modèles de diffusion est introduite afin d’améliorer l’équilibre des classes. Par ailleurs, des approches hiérarchiques et multivues sont développées pour exploiter les informations morphologiques complémentaires issues des images de surface et de section des fragments de calculs rénaux.
Les méthodes proposées sont évaluées sur une base de données d’images endoscopiques ex vivo comprenant six types de calculs rénaux. Les résultats montrent une amélioration des performances de classification par rapport aux approches conventionnelles reposant sur une seule vue, soulignant le potentiel de l’apprentissage profond pour une caractérisation objective et reproductible des calculs rénaux.

Mots-clés : Urétéroscopie, endoscopie, identification des calculs rénaux, apprentissage profond, intelligence artificielle.

— English version —

Thesis title: Automated identification of kidney stone types in ureteroscopy using deep learning approaches

Date and venue: Friday, 30 October 2026, at 3:00 p.m. (Paris time)
Salle de réunion 124 Jaune, ENSEM, site ingénieur de Brabois, Université de Lorraine
2 avenue de la Forêt-de-Haye, 54500 Vandœuvre-lès-Nancy, France
Microsoft Teams: https://teams.microsoft.com/meet/3985116858780991?p=yVqW3dXKsLnu7EoVOO

Examination committee:
Carole Frindel, MCF HDR, Université de Lyon, CREATIS, France — Reviewer
Hiram Eredin Ponce Espinosa, Universidad Panamericana, Campus Mexico City, Mexico — Reviewer
Mariel Alfaro-Ponce, Tecnológico de Monterrey, Campus Mexico City, Mexico — Examiner
Sylvie Treuillet, PU, Université d’Orléans, PRISME, France — Examiner
Pascal Eschwège, PU-PH, Université de Lorraine, CHRU de Nancy, CRAN, France — Examiner
Gilberto Ochoa-Ruiz, Tecnológico de Monterrey, Campus Guadalajara, Mexico — Co-supervisor
Christian Daul, PU, Université de Lorraine, CRAN, France — Supervisor

Abstract:
Urolithiasis is a condition for which accurately identifying kidney stone composition is essential for diagnosis, treatment selection, and recurrence prevention. Morpho-constitutional analysis performed in specialized laboratories provides reliable stone characterization but requires specific expertise.
Deep learning approaches have shown promising results for automated kidney stone recognition from endoscopic images. However, their clinical application remains challenging due to the limited availability of annotated datasets, class imbalance, and the underuse of complementary information from different endoscopic views.
This thesis proposes a unified deep learning framework combining synthetic data generation, hierarchical representation learning, and multiview learning. A diffusion-based strategy is introduced to improve class balance, while hierarchical and multiview approaches are developed to exploit complementary morphological information from surface and section images of kidney stone fragments.
The proposed methods are evaluated on ex vivo endoscopic image datasets comprising six kidney stone types. The results demonstrate improved classification performance compared with conventional single-view approaches, highlighting the potential of deep learning for objective and reproducible kidney stone characterization.

Keywords: Ureteroscopy, Endoscopy, Kidney Stone Identification, Deep Learning, Artificial Intelligence.