Description
Date depot: 12 avril 2023
Titre: Analyse d’une scène médicale de grande taille par une approche d’intégration multi modale : Application à l’imagerie histologique
Directrice de thèse:
Florence ROSSANT (LISITE)
Encadrant :
Hedi YAZID (LISITE)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Images et vision
Resumé: Le domaine médical est considéré comme un environnement adéquat aux travaux appliqués dans la discipline de l’aide à la décision. Au cours de ces dernières années, un écosystème varié et dynamique de logiciels open source d’analyse d’images médicale s’est développé. L’analyse de données massives ou de grandes scènes consiste à examiner de grands ensembles de données multimodales et multi sources pour découvrir des modèles et des corrélations cachées ainsi que de nouvelles informations. La fusion de données médicales hétérogènes est essentielle en médecine de précision pour aider les experts médicaux dans la prise de décision thérapeutique.
Dans ce projet, nous traitons l'imagerie histologique qui fournit des informations importantes sur la fonction de l'anatomie et le fonctionnement des organes, en plus de la détection des maladies. Durant la dernière décennie, le domaine de la pathologie a subi des révolutions technologiques. Ceci est dû à l'apparition de la microscopie virtuelle, appelée aussi pathologie numérique. Les travaux de recherche récents de pathologie numérique se concentrent principalement sur l'analyse d'images d'histopathologie mono-modalité. Cependant, ils ignorent la complémentarité entre les diverses colorisations d’images (tels que H&E et IHC), qui peuvent fournir une norme de référence complète pour l’aide au diagnostic du cancer. De plus, une corrélation peut être induite à partir d’autres sources d’information dans le processus d’analyse des anomalies sur une diapositive pathologique. Des sources d’information comme la génomique ou bien les données cliniques peuvent être considérées dans ce contexte.
Ainsi, nous souhaitons proposer dans ce travail un outil permettant d'automatiser l'analyse et la classification des types cellulaires extraits des clichés d’images histologiques en se basant sur les techniques de l'apprentissage automatique dans un contexte d'un grand flux de données multi modales et provenant de sources variées. L’idée est de proposer une approche d'apprentissage conjointe multi-instance multimodale, qui fusionne différentes modalités et introduit des sources complémentaires d’information afin d’offrir une représentation intermodale. Cette nouvelle représentation permettra de capturer les informations complémentaires potentielles et, ainsi, exploiter les caractéristiques de chaque modalité. Les systèmes d'apprentissage en profondeur (Deep Learning) ont montré une efficacité dans les problématiques nécessitant l'intégration de ces informations multimodales.
Résumé dans une autre langue: English version in the attached pdf file.