SIGNALER une erreur

Apport des techniques d'apprentissage (profond) à la microscopie holographique pour applications médicales

par Houda Hassini

Projet de thèse en Informatique, données, IA

Sous la direction de Yaneck Gottesman.

Thèses en préparation à l'Institut polytechnique de Paris , dans le cadre de École doctorale de l'Institut polytechnique de Paris , en partenariat avec Télécom SudParis (France) (laboratoire) et de ARMEDIA (equipe de recherche) depuis le 23-11-2020 .


  • Résumé

    Le sujet proposé se situe dans le cadre de l'analyse biologique de tissus sanguins in vitro pour le diagnostic précoce de la leucémie. L'originalité de l'approche proposée réside dans le couplage d'un dispositif de bio-photonique sensible à la phase associée à des traitements de données adaptés. Un prototype de bio-photonique a été développé par Telecom SudParis avec quelques problèmes identifiés. Notamment, la problématique du bruit d'intensité et de phase lié à l'approche sera adressée par techniques d'apprentissage profond associées à la modélisation de la physique du capteur pour améliorer encore plus les capacités d'imagerie du dispositif. On s'intéresse également à l'utilisation des techniques d'apprentissage profond pour la détection et la classification automatique de cellules d'intérêt. Dans un premier temps, les approches seront appliquées sur des lames de microscopie marquées ou colorées chimiquement. Dans un second temps, les colorants seront supprimés et les approches précedentes seront réadaptées.

  • Titre traduit

    Contribution of deep learning techniques to holographic microscopy for medical applications


  • Résumé

    The aim of this subject is to propose a new automatic approach of biological analysis of blood tissues in vitro for the early diagnosis of leukemia. The distinctive feature of this approach lies on combining a phase-sensitive bio-photonic device with adapted data processing. A bio-photonics prototype has been developed by Telecom SudParis with some identified problems. In particular, a problem of intensity and phase noise is generally related to the use of this device. Deep learning techniques as well as sensor physics modeling will be investigated to reduce noise contribution allowing to further enhance the imaging capabilities of the device. Deep learning approaches will be also used for automatic detection and classification of tissues. Initially, those approaches will be developed for the treatment of stained microscopy slides and further generalized to the label-free case.