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

Deep learning-aided analysis of 3D cell culture microscopic images to enhance the precision of the drug screening process : A use case for cervical cancer

• 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
• Jury : Examinateurs / Examinatrices : Alice Ahlem Othmani, Rim Salmi Slama, Feryal Windal, Halim Benhabiles, Nathalie Maubon, Grégory Maubon
• Jury : Rapporteurs / Rapporteuses : Yassine Ruichek, Cosimo Distante

Mots clés

Mots clés contrôlés

Imagerie médicale

Reconnaissance des formes (informatique)

Apprentissage profond

Traitement d'images -- Techniques numériques

Imagerie tridimensionnelle

Microscopie

Cultures cellulaires

Mots clés libres

Modèle in vitro

Pattern recognition

In vitro model

Pathology

Deep learning

Microscopic

2D/3D image analysis

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.

With the lack of efficient medicine to treat cancer, there is a need to improve the drug discovery process. To this extent, the use of cell culture methods has been privileged for drug testing. 2D cell cultures were widely favored for their low cost and low complexity however several limits forced the scientific community to provide 3D cell culture methods. However, the microscopic images acquired from the 3D cell culture becomes more challenging as they are tempered with several artifacts resulted from the translucent environment. This urges the scientific community to develop automatic methods. In this thesis, we first tackled the segmentation problem that is a crucial part in the analysis of such images. Our first study consisted of preparing a benchmark for the evaluation of machine learning methods. We compared the performances of several classifiers that were trained for the segmentation of nuclei. We concluded that these methods still struggle in separating the nuclei inside a z-stack images. To respond to this problematic, we developed a workflow that first detect the spheroids inside the images and then segment the nuclei inside each spheroid. Deep learning architectures provided good performances which contributed to the 3D reconstruction of the nuclei. This work can provide an additional help for the biologists in their analysis.