Développement d'outils de précision basés sur l'apprentissage profond pour l'analyse des parasites Plasmodium et Cryptosporidium à partir d'images microscopiques

Development of deep learning-based precision tools for Plasmodium and Cryptosporidium parasites analysis from microscopic images

• Auteur / Autrice : Ziheng Yang
• Direction : Dominique Collard
• Type : Thèse de doctorat
• Discipline(s) : Electronique, microélectronique, nanoélectronique et micro-ondes
• Date : Soutenance le 05/12/2022
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’ingénierie et des systèmes (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'Electronique, de Microélectronique et de Nanotechnologie
• Partenaire(s) de recherche : Ecole d'ingénieurs : JUNIA
• Jury : Président / Présidente : Samia Ainouz
• Jury : Examinateurs / Examinatrices : Abdelmalik Taleb-Ahmed, Halim Benhabiles, Feryal Windal, Maxime Devanne
• Jury : Rapporteurs / Rapporteuses : Abdeldjalil Ouahabi, Hedi Tabia

Mots clés

Mots clés contrôlés

Cycles biologiques

Cryptosporidium

Spéciation

Identification

Plasmodies

Reconnaissance des formes (informatique)

Apprentissage profond

Traitement d'images -- Techniques numériques

BioMEMS

Cryptosporidiose

Imagerie

Diagnostic

Paludisme

Imagerie pour le diagnostic

Mots clés libres

Augmentation des données

Bio-Mems

2D/3D image analysis

Data analysis

Cryptosporidium

Pattern recognition

Deep learning

Résumé

Dans cette thèse, nous avons proposé deux contributions principales liées à l'analyse par apprentissage profond des parasites Malaria et Cryptosporidium à partir d'images microscopiques.Plus spécifiquement, dans la première contribution, nous avons proposé un framework pour diagnostiquer une infection par le parasite Malaria chez les humains en utilisant des images microscopiques de frottis sanguins fins. Comparé aux méthodes de l'état de l'art, notre framework est basé sur des approches de segmentation et de classification permettant l'analyse directe du parasite au lieu de la cellule qui le contient. Dans ce sens, le framework permet de segmenter directement le parasite Malaria et de distinguer son espèce parmi quatre classes principales : P. Falciparum, P. Ovale, P. Malaria et P. Vivax. Nous démontrons l'efficacité de notre framework et notamment son potentiel de généralisation sur des données interclasses en exploitant plusieurs jeux de données publiques. De plus, nous montrons que la technique d'augmentation des données que nous proposons, appelée Local Parasite Texture Scanning (LPTS), améliore davantage la précision de notre modèle de classification.Dans la deuxième contribution, nous avons proposé un framework pour diagnostiquer une infection par le parasite Cryptosporidium chez les vaches laitières en utilisant des images microscopiques de fluorescence. À cette fin, nous avons proposé une méthodologie originale de segmentation des parasites basée sur une approche grossière à fine, qui atteint une grande précision sur notre jeu de données généré de Cryptosporidium et qui permet de dépasser en termes de performance les méthodes de segmentation de l'état de l'art. Nous avons également proposé un modèle de classification à haut pouvoir discriminant permettant d'identifier efficacement le stade de vie des parasites parmi 4 stades asexués : oocyste, trophozoïte, méronte, et forme libre. Nous montrons à travers une étude expérimentale que notre modèle atteint une grande précision en analysant uniquement le parasite lui-même et sans avoir besoin d'informations supplémentaires liées à la taille et au nombre de noyaux qui sont nécessaires au biologiste afin de réaliser sa classification.

In this thesis, we have proposed two main contributions related to the Malaria parasite and Cryptosporidium parasite analysis from microscopic images using deep learning techniques.More specifically, in the first contribution, we have proposed a framework for diagnosing Malaria infection in humans using microscopic images of thin blood smears. Compared to the state-of-the-art studies, it is rather based on a straightforward segmentation and classification approaches, permitting the analysis of the parasite itself instead of the cellcontaining it. In this sense, the framework permits to directly segment the Malaria parasite and to distinguish its species among four major classes: P. Falciparum, P. Ovale, P. Malaria and P. Vivax. We demonstrate the efficiency of our framework and notably its potential of generalization over interclass data by exploiting several public datasets. Moreover, we show that our proposed data augmentation technique named Local Parasite Texture Scanning (LPTS) further improves the accuracy of our classification model.In the second contribution, we have proposed a framework for diagnosing Cryptosporidium infection in dairy cows using fluorescence microscopic images. To this end, we have proposed an original parasite segmentation methodology based on a coarse-to-fine approach which achieves high accuracy on our generated dataset of Cryptosporidium and permits to outperform segmentation methods from the state-of-the-art. We have also proposed a classifier with a high discriminatory power that is used to efficiently distinguish the life stages of the parasites among 4 asexual stages: oocyst, trophozoite, meront, and free form. We show through an experimental study that our classifier achieves high accuracy by analyzing only the parasite itself and without the need of additional information related to the size and the number of nuclei which are required by the biologist to establish the classification.