Applications de l’intelligence artificielle pour la caractérisation de tissus ovariens cancéreux par l’analyse : d’images de centrosomes

Artificial intelligence methods for object recognition : applications in biomedical imaging

• Auteur / Autrice : Damien Blanc
• Direction : Joseph Salmon
• Type : Thèse de doctorat
• Discipline(s) : Biostatistique
• Date : Soutenance le 09/12/2022
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Institut Montpelliérain Alexander Grothendieck (Montpellier ; 2003-....)
• Jury : Président / Présidente : Thérèse Commes-Maerten
• Jury : Examinateurs / Examinatrices : Joseph Salmon, Thérèse Commes-Maerten, Aurélie Bugeau, Charles Kervrann, Benjamin Charlier, Victor Racine, Renata Basto
• Jury : Rapporteurs / Rapporteuses : Aurélie Bugeau, Charles Kervrann

Mots clés

Mots clés contrôlés

Vision par ordinateur

Apprentissage profond

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Apprentissage profond

Vision par ordinateur

Segmentation d'images

Détection d'objets

Imagerie biomédicale

Artificial intelligence

Deep learning

Computer vision

Image segmentation

Object detection

Imagerie biomédicale

Résumé

Cette thèse porte sur l’utilisation de méthodes automatiques basées sur l’intelligence artificielle dans différents contextes d’imagerie biomédicale. L’objectif principal est d’explorer dans quelle mesure des modèles d’apprentissage profond, ou Deep Learning (DL), peuvent s’implanter dans la résolution de problématiques cliniques concrètes. En particulier, nous mettons l’accent sur les modèles nommés Convolutional Neural Networks (CNNs) dont l’architecture est spécialement adaptée à la détection et à la segmentation d’objets sur des données visuelles telles que les images ou les vidéos. Dans une première partie, nous abordons ainsi la nécessité de développer des systèmes d’aides au diagnostique dans le cadre d’examen tomodensitométrique (également appelé CT-scan) pour la détection de tumeurs pulmonaires. Nous étudions ainsi les performances de l’état de l’art des modèles de détection d’objet dans un contexte en trois dimensions sur un jeu de données de plus de 1000 patients disponibles publiquement. Les résultats obtenus sur cette première étude nous ont ensuite permis de construire un outil complet d’aide au diagnostique, capable de distinguer les patients sains de ceux disposant de tumeurs. Cet outil comprends trois procédures majeures (segmentation des poumons, détections des nodules, et classification du patient) qui a permis de remporter l’édition 2019 du Data Challenge organisé par la Société Française de Radiologie (SFR). Dans la seconde partie du manuscrit, nous nous plaçons cette fois dans un cadre où la donnée, élément essentiel pour construire un modèle supervisée robuste, n’est pas ou peu disponible. Nous retrouvons fréquemment cette configuration en imagerie microscopique, où il est nécessaire d’identifier correctement chaque composant cellulaire, comme le noyau, afin de pouvoir dégager un résultat biologique d’intérêt. En alternative à un étiquetage fastidieux et couteux des pixels de chaque noyau, nous proposons une modélisation de l’ensemble des mécanismes permettant l’acquisition d’images d’échantillons biologiques. Nous obtenons ainsi un outil capable de générer rapidement, à partir d’un ensemble de paramètres prédéfinis, une grande quantité de données composées d’images simulées et d’une vérité terrain associée pour chacune d’entre elles. Enfin, nous étudions l’impact de l’utilisation de jeu de données simulées sur les performances de modèles conçus pour la segmentation de noyaux. Nous montrons ainsi qu’avec une quantité relativement faible d’image réelle, la simulation peut être utilisé comme outil d’augmentation de données et permet un gain important de performances. Enfin, la dernière partie de ce manuscrit est consacrée à l’élaboration d’une méthodologie pour la quantification de tissus ovariens cancéreux en imagerie microscopique confocale 3D. A partir d’une cohorte de 119 patientes, l’objectif principal est d’automatiser la quantification du Centrosome-Nucleus Index (CNI), et permettre ainsi de mieux comprendre le rôle que jouent les principaux organes de la cellule (dans notre contexte, le noyau et les centrosomes) dans l’évolution de la maladie. L’étude est ainsi divisée en deux tâches de comptages: d’abord des centrosomes, puis des noyaux. Le comptage visuel qui a été fait pour les centrosomes se base sur la recherche de régions colocalisées dans l’image, c’est-à-dire, des régions dont les signaux issus de différents canaux se superposent. Nous implémentons ainsi cette approche, et comparons ces performances avec des méthodes impliquant des modèles de Machine Learning ou Deep Learning. Enfin, ne disposant pas d’annotations au niveau des voxels, nous étendons notre simulateur à une troisième dimensions, et implémentons un approche d’apprentissage par renforcement afin de trouver automatiquement les paramètres de simulations permettant de donner la plus grande précision possible de comptage.

This work deals with the use of automatic methods based on artificial intelligence in different contexts of biomedical imaging. The main objective is to investigate in what extend deep learning models (DL) can be used in solving concrete clinical problems. In particular, we highlight the models called Convolutional Neural Networks (CNNs), whose architecture is specifically adapted to the recognition and segmentation of objects in vi- sual data such as images or videos. In the first part, we address the need to develop diag- nostic support systems in the context of a tomodensitometric examination (also called CT -scan) for the detection of lung tumors. To this end, we are investigating the performance of state-of-the-art object detection models in a three-dimensional context on a dataset of more than 1000 publicly available patients. The results of this initial study have then al- lowed us to develop a complete ool capable of distinguishing healthy patients from those with tumors. This tool includes three major methods (lung segmentation, nodule detec- tion and patient classification) and was selected as the winner of the 2019 Data Challenge organized by the French Society of Radiology (FSR). In the second part of the manuscript, we put ourselves in a context where data, an essential element for the construction of a robust supervised model, is unavailable or scarce. We often find this configuration in Microscopy imaging, where it is necessary to correctly identify each cellular component, such as the nucleus, to determine a biological outcome. As an alternative to tedious and costly labeling of the pixels of each nucleus, we propose a modeling of all the mechanisms that enable the acquisition of images of biological samples. In this way, we obtain a tool capable of rapidly generating, from a set of predefined parameters, a large amount of data consisting of simulated images and an associated ground truth for each of these images. Finally, we investigate the impact of us- ing simulated datasets on the performance of models designed for nuclei segmentation. Thus, we show that simulation can be used with a relatively small set of real images as a tool for data augmentation and can provide significant performance gains. The final part of this manuscript is devoted to the development of a methodology for quantifying cancerous ovarian tissue in 3D confocal imaging. Starting from a cohort of 119 patients, the main objective is to automate the quantification of the centrosome- nucleus index (CNI), allowing a better understanding of the role played by the major or- gans of the cell (i.e. nuclei and centrosomes) in the development of the disease. The study is therefore divided into two counting tasks: first the centrosomes, then the nuclei. The visual counting performed for the centrosomes is based on the search for colocalized re- gions in the image, i.e., regions whose signals are overlapped by different channels. Thus, we implement this approach and compare the performances with methods using ma- chine learning or deep learning models. Since we do not have voxel-level annotations, we extend our simulator to a third dimension and implement a reinforcement learning ap- proach to automatically find the simulation parameters that provide the highest possible counting accuracy.