Apprentissage de Représentations et Approches Centrées sur les Données en Pathologie Computationnelle. Application à la Maladie d'Alzheimer.

Representation Learning and Data-Centric Approaches in Computational Pathology. Instantiation to Alzheimer's Disease.

• Auteur / Autrice : Gabriel Jimenez garay
• Direction : Daniel Racoceanu
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le ; Soutenance le 18/09/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau et de la moelle épinière
• Jury : Président / Présidente : Diana Mateus
• Jury : Examinateurs / Examinatrices : Daniel Racoceanu, William Puech, Benjamin Castañeda, Maria Zuluaga, Thomas Walter
• Jury : Rapporteur / Rapporteuse : William Puech, Benjamin Castañeda

Mots clés

Mots clés libres

Apprentissage de représentations

Apprentissage profond centré sur les données

Réseau d'attention de graphe non supervisé

Pathologie computationnelle

Maladie d'Alzheimer

Stratification des patients atteints de la maladie d'Alzheimer

Representation learning

Data-Centric Deep Learning

Unsupervised Graph Attention Network

Computational Pathology

Alzheimer's Disease

Alzheimer's Disease patients' stratification

Résumé

Apprentissage de Représentations et Approches Centrées sur les Données en Pathologie Computationnelle. Application à la Maladie d'Alzheimer. Maladie neurodégénérative la plus fréquente, la Maladie d'Alzheimer (MA), la est définie par le mauvais repliement et l'accumulation des peptides Aβ et des protéines tau dans le cerveau. La MA sporadique se présente le plus souvent à un âge avancé sous la forme d'un syndrome amnésique. Cependant, sa présentation clinique est hétérogène et différents sous-types de la maladie ont été décrits, notamment un sous-type de MA rapidement progressive (MAr). Jusqu'à présent, l'évaluation neuropathologique des cas de MAr n'a pas permis d'identifier des traits neuropathologiques spécifiques à cette entité clinico-pathologique, malgré sa progression rapide inhabituelle et sa présentation clinique conduisant à un diagnostic erroné fréquent de la maladie de Creutzfeldt-Jakob. Notre hypothèse est que les cerveaux des personnes atteintes de la maladie de Creutzfeldt-Jakob, ainsi que d'autres variantes atypiques de la maladie d'Alzheimer, présentent des changements histologiques subtils qui ne seraient pas détectés par une analyse microscopique automatisée à haut débit. La topographie et la morphologie des agrégats de tau et d'Aβ, les deux principales lésions cérébrales caractérisant la maladie, sont hétérogènes. L'accumulation d'Aβ prend la forme de dépôts focaux ou de plaques diffuses, tandis que les lésions de tau forment les enchevêtrements dits neurofibrillaires mais présentent également des morphologies différentes dans les dendrites ou les axones. Nous proposons d'étudier la topographie et la morphologie de ces agrégats afin de mieux comprendre le substrat morphologique de l'hétérogénéité de la MA. Pour aborder cette question à grande échelle, il est nécessaire de développer des systèmes logiciels pour la segmentation automatique, l'annotation et la quantification des lésions cérébrales dans les images histopathologiques sur lame entière. Les objectifs de cette étude sont donc les suivants : 1. Développer des approches d'Intelligence Artificielle (IA) entièrement automatisées, traçables et explicables pour la localisation histologique et la caractérisation des agrégats de tau et d'Aβ dans des images de cerveau sur lame entière. 2. Utiliser l'outil analytique précédent pour étudier dans quelle mesure la topographie et la morphologie des différents agrégats peptidiques présents dans le cerveau peuvent être associés à la diversité des symptômes observés dans les différentes variantes de la MA. L'analyse des données recueillies au cours de l'étude a permis de proposer les deux contributions méthodologiques suivantes : 1. Représentation des images de lames entières : nous étudions l'impact de la normalisation de l'image de lame entière sur les performances des algorithmes basés sur les patchs dans les images de lames entières. Nous proposons, par ailleurs, une nouvelle approche utilisant l'analyse de Fourier et la déconvolution AM-FM, comme technique de normalisation alternative. 2. Apprentissage de la représentation pour l'imagerie biomédicale à fort contenu : ce projet porte sur la sélection d'échantillons optimaux pour l'annotation dans l'imagerie biomédicale, dans le but de maintenir des performances élevées avec des données réduites. Il cherche à répondre à la question essentielle suivante : ''Combien de données faut-il annoter pour un apprentissage supervisé efficace ?”

Representation Learning and Data-Centric Approaches in Computational Pathology. Instantiation to Alzheimer's Disease. Alzheimer's Disease (AD); the most frequent neurodegenerative disease, is defined by the misfolding and accumulation of Aβ peptides and of tau proteins in the brain. Sporadic AD is most commonly present in later life as an amnestic syndrome. However, the clinical presentation of the peptides is heterogeneous and different subtypes of the disease have been described, including a rapidly progressive subtype of AD (rAD). Until now, neuropathological assessment of rAD cases was not able to identify specific neuropathological traits for this clinicopathological entity, despite its unusual fast progression and clinical presentation leading to frequent misdiagnosis as Creutzfeldt-Jakob disease. Our hypothesis is that rAD brains, as well as other atypical variants of AD, display subtle histological changes that would be undercovered by high-throughput automated microscopic analysis. The topography and morphology of the tau and Aβ aggregates, the two main brain lesions characterizing the disease, are heterogeneous. Aβ accumulation takes the form of focal deposits or of diffuse plaques, while tau lesions form the so-called neurofibrillary tangles but also present different morphologies in dendrites or axons. We propose to study the topography and morphology of these aggregates to better understand the morphological substratum of AD heterogeneity. To address this question at a large scale, one needs to develop software systems for the automatic segmentation, annotation, and quantitation of brain lesions in histopathological whole slide images (WSIs). Therefore, the goals of this study are as follows: 1. To develop a fully automated, traceable, and explainable artificial intelligence (AI) approach for the histological location and characterization of the tau and Aβ aggregates in whole slide brain images. 2. To use the previous analytics tool to study to which extent the topography and morphology of the different peptide aggregates present in the brain can be associated with the diversity of symptoms observed in various AD variants. From the analysis of the data collected from during the study, two methodological contributions were proposed as follow: 1. Whole Slide Image Representation: we explore the impact of image normalization on the performance of patch-based algorithms in whole slide images. We proposed a novel approach using Fourier analysis and AM-FM deconvolution as an alternative normalization technique. 2. Representation Learning for High-Content Biomedical Imaging: addresses the selection of optimal samples for annotation in biomedical imaging, aiming to maintain high performance with reduced data. It seeks to answer the essential question: 'How much data is necessary to annotate for effective supervised learning?'