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
application/pdf
45305365
https://publication-theses.unistra.fr/public/theses_doctorat/2020/Abreu_Arnaud_2020_ED269.pdf
http://www.theses.fr/2020STRAD026/abes
https://tel.archives-ouvertes.fr/tel-03855944
Abreu
Arnaud
1992-12-16
FR
263361217
http://www.theses.fr/2020STRAD026
2020STRAD026
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
Benoït
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)
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