Approche d'apprentissage en profondeur pour la segmentation sémantique d'images pathologiques

Deep Learning Approach for Semantic Segmentation of Pathological Images

• Auteur / Autrice : Yanbo Feng
• Direction : Hélène Laurent, Adel Hafiane
• Type : Projet de thèse
• Discipline(s) : Sciences et Technologies Industrielles
• Date : Soutenance en 2022
• Etablissement(s) : Bourges, INSA Centre Val de Loire
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....)
• Jury : Examinateurs / Examinatrices : Hélène Laurent, Su Ruan, Olivier Lezoray, Adel Hafiane, Abbas Cheddad, Fabrice Meriaudeau
• Jury : Rapporteur / Rapporteuse : Su Ruan, Olivier Lezoray

Mots clés

Mots clés libres

L'apprentissage en profondeur

Segmentation

Images pathologiques

Traitement d'image

Apprentissage automatique

Diagnostic assisté par ordinateur

Deep learning

Segmentation

Pathological images

Image processing

Machine learning

Computer aided diagnosis

Résumé

L'analyse et l'interprétation d'images biomédicales est un sujet de recherche précieux. L'analyse de l'image pathologique est une phase indispensable dans le diagnostic et le classement du cancer. En particulier, la segmentation de l'image pathologique pour l'analyse quantitative du volume tissulaire, la localisation des tissus pathologiquement altérés, la planification du traitement et d'autres tâches. Dans ce travail de recherche, nous avons étudié l'approche d'apprentissage en profondeur pour la segmentation sémantique de l'image de diapositive entière pathologique (WSI) qui a une résolution énorme généralement avec des gigapixels. Dans un premier temps, nous avons mené une étude comparative des méthodes de segmentation en réseau profond des images pathologiques. Huit réseaux de neurones à convolution complète (FCNN) ont été comparés dans la segmentation des noyaux dans l'image du cancer du sein, de la glande dans l'image colorectale et de la zone cancéreuse dans l'image du cancer du foie. Les structures et les éléments des réseaux ont été discutés en profondeur, ce qui a été précieux pour la conception du réseau et l'étude ultérieure. Deuxièmement, nous avons proposé une nouvelle méthode basée sur une approche multi-échelle avec apprentissage en profondeur et apprentissage d'ensemble pour segmenter les zones d'intérêt dans des images de diapositives entières. Nous avons construit un modèle pyramidal de WSI, où les U-Nets ont été formés individuellement à chaque niveau, puis les différentes segmentations obtenues ont été fusionnées pour le résultat final. Troisièmement, nous avons proposé un cadre de bout en bout faiblement supervisé pour la segmentation sémantique de la zone cancéreuse. Ce travail fournit une solution alternative pour utiliser le réseau de neurones à convolution pour réaliser une segmentation au niveau des pixels et résoudre l'annotation insuffisante au niveau des pixels utilisée dans FCNN. Quatrièmement, nous nous sommes concentrés sur l'interprétabilité de l'architecture des réseaux de neurones profonds. Les poids de la couche de sortie ont été extraits et analysés ; les cartes des caractéristiques ont été visualisées. Grâce à des expériences, il a été constaté que la catégorie de carte de caractéristiques a une faible relation avec les poids, tandis que les canaux fixes peuvent produire une carte de caractéristiques avec des caractéristiques spécifiques. Cette conclusion peut être intéressante pour optimiser et comprendre les réseaux. Dans cette thèse, l'approche d'apprentissage en profondeur a été étudiée et utilisée dans les cadres de l'apprentissage supervisé, de l'apprentissage faiblement supervisé, en plus des méthodes d'apprentissage d'ensemble et de traitement d'images. L'ensemble du travail fournit une référence précieuse pour la segmentation des images pathologiques.

Biomedical image analysis and interpretation is a valuable research topic. The analysis of pathological image is an indispensable phase in the cancer diagnosis and grading. In particular, the segmentation of pathological image for quantitative analysis of tissue volume, location of pathologically altered tissues, treatment planning and other tasks. In this research work, we studied the deep learning approach for semantic segmentation of pathological whole slide image (WSI) which has huge resolution generally with gigapixels. Firstly, we conducted a comparative study of deep-network segmentation methods for pathological images. Eight fully convolution neural networks (FCNNs) were compared in the segmentation of the nuclei in breast cancer image, the gland in colorectal image and the cancerous area in liver cancer image. The structures and elements of networks were discussed in depth, which was valuable for designing network and subsequent study. Secondly, we proposed a new method based on multi-scale approach with deep learning and ensemble learning to segment the areas of interest in whole slide images. We constructed a pyramidal model of WSI, where U-Nets were individually trained in each level, and then the several obtained segmentations were fused together for the final output. Thirdly, we proposed a weakly supervised end-to-end framework for semantic segmentation of cancerous area. This work provides an alternative solution for using convolution neural network to realize pixel-level segmentation and addressing the insufficient pixel-level annotation used in FCNN. Fourthly, we focused on the interpretability of deep neural network architecture. The weights of output layer were extracted and analyzed; the feature maps were visualized. Through experiments, it was found that the category of feature map has weak relation with weights, while fixed channels can output feature map with specific features. This conclusion can be interesting for optimizing and understanding networks. In this thesis, deep learning approach was studied and employed in the frameworks of supervised learning, weakly supervised learning, in addition with ensemble learning and image processing methods. The whole work provides a valuable reference for pathological images' segmentation.