Note ABES Réseaux neuronaux convolutifs profonds et représentations hiérarchiques : applications et perspectives pour la pathologie numérique Deep convolutional neural networks and hierarchical representations : applications and perspectives for digital pathology Réseaux neuronaux convolutifs profonds Représentations hiérarchiques Pathologie numérique Deep convolutional neural networks Hierarchical representations Digital pathology 004 616.8 Réseaux neuronaux (informatique) Bioinformatique Les réseaux neuronaux convolutifs profonds excellent à résoudre les problèmes de reconnaissance dans les images. Les avancées récentes dans le domaine de la numérisation des lames histologiques permettent aujourd’hui d’utiliser ces algorithmes dans de véritables applications biomédicales en microscopie. Des solutions d’analyse automatiques sont donc naturellement développées pour réduire les erreurs de diagnostic. Nous présentons deux applications, l’une pour l’analyse de marquages immunohistochimiques, l’autre pour assister le diagnostic des lymphomes. Nous présentons enfin les limites de l’apprentissage profond pour résoudre les problématiques biomédicales. Cette critique conduit à repenser l’apprentissage profond comme un soutien aux outils de fouille de données. Par le biais d’arbres de segmentations ou de subsomptions, ces techniques, soutenues par l’apprentissage profond, sont compatibles avec l’interprétation humaine, économes en annotation et en apprentissage. Deep convolutional neural networks excel at solving recognition problems in images. Recent advances in the field of digitisation of histological slides now make it possible to use these algorithms in real biomedical applications in microscopy. Automatic analysis solutions are therefore naturally developed to reduce diagnostic errors. We present two applications, one for the analysis of immunohistochemical markers, the other to assist in the diagnosis of lymphomas. Finally, we present the limits of deep learning to solve biomedical problems. This critique leads us to rethink deep learning as a support for data mining tools. By means of segmentation trees or subsumptions, these techniques, supported by deep learning, are compatible with human interpretation, economical in annotation and learning. Electronic Thesis or Dissertation Text fr PDF 5472573 Université de Strasbourg Strasbourg 2022-12-31 https://theses.hal.science/tel-03855944 application/pdf 45305365 https://publication-theses.unistra.fr/public/theses_doctorat/2020/Abreu_Arnaud_2020_ED269.pdf http://www.theses.fr/2020STRAD026/abes https://theses.hal.science/tel-03855944 https://theses.hal.science/tel-03855944 https://theses.hal.science/tel-03855944 https://theses.hal.science/tel-03855944 Abreu Arnaud 1992-12-16 FR 263361217 https://theses.fr/2020STRAD026 2020STRAD026 https://doi.org/10.70675/e2a2a613z52d4z4c2ez9111z8aefd8ffe524 2020-10-01 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Wemmert Cédric MADS_DIRECTEUR_DE_THESE_1 176663576 Brousset Pierre MADS_DIRECTEUR_DE_THESE_2 077462971 Heitz Fabrice MADS_PRESIDENT_DU_JURY 029185157 029185157 Walter Thomas Edgar MADS_MEMBRE_DU_JURY_1 079452671 Naegel Benoît MADS_MEMBRE_DU_JURY_2 09031669X Frenois François-Xavier MADS_MEMBRE_DU_JURY_3 263403114 Talbot Hugues MADS_RAPPORTEUR_1 111727774 Fromont Élisa MADS_RAPPORTEUR_2 095621601 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 260728 ddc:004 ddc:610 Wemmert Cédric Brousset Pierre Heitz Fabrice Walter Thomas Edgar Naegel Benoït Frenois François-Xavier Talbot Hugues Fromont Élisa École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 5472573