Réseaux neuronaux convolutifs profonds et représentations hiérarchiques : applications et perspectives pour la pathologie numérique

Deep convolutional neural networks and hierarchical representations : applications and perspectives for digital pathology

• Auteur / Autrice : Arnaud Abreu
• Direction : Cédric Wemmert, Pierre Brousset
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 01/10/2020
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Fabrice Heitz
• Jury : Examinateurs / Examinatrices : Thomas Edgar Walter, Benoît Naegel, François-Xavier Frenois
• Jury : Rapporteurs / Rapporteuses : Hugues Talbot, Élisa Fromont

Mots clés

Mots clés contrôlés

Bioinformatique

Réseaux neuronaux (informatique)

Mots clés libres

Réseaux neuronaux convolutifs profonds

Représentations hiérarchiques

Pathologie numérique

Deep convolutional neural networks

Hierarchical representations

Digital pathology

Résumé

Les réseaux neuronaux convolutifs profonds excellent à résoudre les problèmes de reconnaissance dans les images. Les avancées récentes dans le domaine de la numérisation des lames histologiques permettent aujourd’hui d’utiliser ces algorithmes dans de véritables applications biomédicales en microscopie. Des solutions d’analyse automatiques sont donc naturellement développées pour réduire les erreurs de diagnostic. Nous présentons deux applications, l’une pour l’analyse de marquages immunohistochimiques, l’autre pour assister le diagnostic des lymphomes. Nous présentons enfin les limites de l’apprentissage profond pour résoudre les problématiques biomédicales. Cette critique conduit à repenser l’apprentissage profond comme un soutien aux outils de fouille de données. Par le biais d’arbres de segmentations ou de subsomptions, ces techniques, soutenues par l’apprentissage profond, sont compatibles avec l’interprétation humaine, économes en annotation et en apprentissage.

Deep convolutional neural networks excel at solving recognition problems in images. Recent advances in the field of digitisation of histological slides now make it possible to use these algorithms in real biomedical applications in microscopy. Automatic analysis solutions are therefore naturally developed to reduce diagnostic errors. We present two applications, one for the analysis of immunohistochemical markers, the other to assist in the diagnosis of lymphomas. Finally, we present the limits of deep learning to solve biomedical problems. This critique leads us to rethink deep learning as a support for data mining tools. By means of segmentation trees or subsumptions, these techniques, supported by deep learning, are compatible with human interpretation, economical in annotation and learning.