Intelligence artificielle pour la détection automatique de translocations chromosomiques : application à la dosimétrie biologique rétrospective basée sur l'imagerie FISH

Artificial Intelligence for the automatic detection of chromosomal translocations : application to retrospective dosimetry based on FISH imaging

• Auteur / Autrice : Quentin Tallon
• Direction : Charles Kervrann, Mohamedamine Benadjaoud
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, vision
• Date : Soutenance le 16/01/2025
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Centre de recherche Rennes Bretagne - Atlantique (Rennes ; 1980-....) - SAIRPICO
• Jury : Président / Présidente : Thomas Walter
• Jury : Examinateurs / Examinatrices : Charles Kervrann, Mohamedamine Benadjaoud, Radhia M'Kacher
• Jury : Rapporteurs / Rapporteuses : Anatole Chessel, Alain Dieterlen
• DOI : 10.70675/c5ae650az05b4z44d2za967z604ccf8c35b0

Mots clés

Mots clés contrôlés

Apprentissage profond

Imagerie médicale

Intelligence artificielle

Mots clés libres

Apprentissage profond

Imagerie biomédicale

Détection d'objets

Génération

Filtrage

Classification

Deep Learning

Biomedical Imaging

Object Detection

Generation

Filtering

Classification

Résumé

L'évaluation précise de la dose est essentielle après une exposition aux rayonnements ionisants, en particulier pour la prise en charge des victimes asymptomatiques. Parmi les méthodes disponibles, la dosimétrie biologique s'appuie sur l'imagerie cytogénétique pour identifier les aberrations chromosomiques dans les lymphocytes. Les aberrations stables, détectables par imagerie par Fluorescence In Situ Hybridization (FISH), sont particulièrement utiles pour la dosimétrie rétrospective. Cette étude vise à automatiser la détection des aberrations stables à l'aide de techniques d'apprentissage profond. Nous avons développé une méthode basé sur des modèles de pointe pour la détection d'objets au niveau de la métaphase, ainsi que des modèles de convolution pour la classification au niveau des chromosomes après segmentation. Un défi majeur était la disponibilité limitée des données annotées et la rareté des translocations, que nous avons abordées par la génération de données synthétiques à l'aide de modèles de diffusion générative. Notre approche génère des chromosomes transloqués synthétiques à partir d'images non annotées, ce qui donne des résultats prometteurs pour la détection automatisée des aberrations et améliore l'efficacité de l'imagerie cytogénétique dans les applications de dosimétrie.

Accurate dose assessment is essential following ionizing radiation exposure, particularly for managing asymptomatic victims. Among the methods available, biological dosimetry relies on cytogenetic imaging to identify chromosomal aberrations in lymphocytes. Stable aberrations, detectable via Fluorescence In Situ Hybridization (FISH) imaging, are especially useful for retrospective dosimetry. This study aims to automate the detection of stable aberrations using deep learning techniques. We developed a workflow based on state-of-the-art models for metaphase-level object detection, alongside convolution models for chromosome-level classification after segmentation. A major challenge was the limited availability of annotated data and the rarity of translocations, which we addressed through synthetic data generation using generative diffusion models. Our approach generates synthetic translocated chromosomes from unannotated images, yielding promising results for automated aberration detection, and enhancing the efficiency of cytogenetic imaging in dosimetry applications.