Réseaux neuronaux convolutifs profonds et représentations hiérarchiques : applications et perspectives pour la pathologie numérique
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Abreu, Arnaud
Date de soutenance : 01-10-2020

Directeur(s) de thèse : Wemmert, Cédric - Brousset, Pierre

Président : Heitz, Fabrice
Rapporteur(s) : Talbot, Hugues - Fromont, Élisa
Membre(s) du jury : Walter, Thomas Edgar - Naegel, Benoît - Frenois, François-Xavier

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique, Médecine et santé

Mots-clés libres : Réseaux neuronaux convolutifs profonds, Représentations hiérarchiques, Pathologie numérique
Mots-clés :
  • Réseaux neuronaux (informatique)
  • Bioinformatique
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2020STRAD026
Type de ressource : Thèse