Analyse d'images microscopiques de culture cellulaire 3D assistée par apprentissage en profondeur pour améliorer la précision du processus de dépistage des médicaments : un cas d'utilisation pour le cancer du col de l'utérus
Auteur / Autrice : | Tarek Maylaa |
Direction : | Dominique Collard |
Type : | Thèse de doctorat |
Discipline(s) : | Electronique, microélectronique, nanoélectronique et micro-ondes |
Date : | Soutenance le 19/01/2023 |
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 |
Jury : | Président / Présidente : Abdelmalik Taleb-Ahmed |
Examinateurs / Examinatrices : Alice Ahlem Othmani, Rim Salmi Slama, Feryal Windal, Halim Benhabiles, Nathalie Maubon, Grégory Maubon | |
Rapporteurs / Rapporteuses : Yassine Ruichek, Cosimo Distante |
Mots clés
Résumé
Avec le manque de médicaments efficaces contre le cancer, il est nécessaire d'améliorer le processus de découverte de médicaments. Dans cette mesure, l'utilisation de méthodes de culture cellulaire a été privilégiée. Les cultures cellulaires 2D ont été largement utilisées pour leur abordabilité et leur faible complexité, mais plusieurs limites ont obligé la communauté scientifique à fournir des méthodes de culture cellulaire 3D. Cependant, les images microscopiques acquises à partir de la culture cellulaire 3D deviennent plus difficiles car elles sont tempérées par plusieurs artefacts résultant de l'environnement translucide. Cela pousse la communauté scientifique à développer des méthodes automatiques. Dans cette thèse, nous avons d'abord abordé le problème de la segmentation qui est un élément crucial dans l'analyse de telles images. Notre première étude a consisté à préparer un benchmark pour l'évaluation des méthodes d'apprentissage automatique. Nous avons comparé les performances de plusieurs classifieurs entraînés pour la segmentation des noyaux. Nous avons conclu que même si ces méthodes ont encore du mal à séparer les noyaux dans un z-stack. Pour répondre à cette problématique, nous avons développé une démarche automatique qui détecte d'abord les sphéroïdes à l'intérieur des images, puis segmente les noyaux à l'intérieur de chaque sphéroïde. Les architectures d'apprentissage profond ont fourni de bonnes performances qui ont contribué à la reconstruction 3D des noyaux. Ce travail peut être une aide supplémentaire aux biologistes pour mener leurs analyses.