Note ABES Generative adversarial networks in digital histopathology : stain transfer and deep learning model invariance to stain variation Réseaux génératifs adversaires en histopathologie numérique : transfert de coloration et invariance des modèles d'apprentissage profond aux variations de colorations Apprentissage profond Réseaux adversaires génératifs Transfert de coloration Invariance de coloration Deep learning Generative adversarial networks Stain transfer Stain invariance 004 610 Histopathologie Intelligence artificielle en médecine Apprentissage profond L'histopathologie numérique est un domaine d'innovation très riche, tant dans les applications cliniques que dans la recherche, où les solutions basées sur l'apprentissage profond connaissent un succès remarquable. Cependant, les méthodes actuelles d'apprentissage profond sont des approches gourmandes en données qui nécessitent d'énormes bases de données annotées pour obtenir des modèles performants. Or, le domaine médical est connu pour sa difficulté à obtenir des données et des annotations - la collecte de données relève d'une réglementation stricte et contraignante, tandis que seuls des experts peuvent effectuer des annotations de haute qualité, ce qui est un processus laborieux et coûteux. De plus, compte tenu des variations qui peuvent se produire en raison du processus et des protocoles de coloration, les données déjà collectées et annotées ne peuvent être réutilisées qu'avec un succès limité. Une telle variation de la coloration représente un changement de domaine et affecte considérablement les solutions basées sur l'apprentissage profond dans la pratique. Cela devient plus évident encore lorsque l’apprentissage se focalise sur des structures biologiques visibles avec plusieurs colorations, car les solutions développées en utilisant les données d'une coloration sont susceptibles d'échouer lorsqu'elles sont appliquées à une autre. Cette thèse étudie le potentiel des réseaux adversaires génératifs (GAN) dans deux directions pour résoudre ces problèmes - le transfert de colorations pour permettre la réutilisation de bases de données déjà disponibles et le développement de modèles invariants aux colorations qui réduiraient le besoin d'acquisition de données ou d'annotations supplémentaires. L'application principale de la thèse est la segmentation des glomérules en pathologie rénale avec de multiples colorations. Digital histopathology has become a rich area of innovation in both clinical application and research, where deep-learning-based solutions have remarkable success. However, current state-of-the-art deep learning methods are data-hungry approaches which require huge, annotated data collections to perform well. Nevertheless, the medical domain is known for its scarcity of data and annotations — collecting data falls under strict low regulations while experts only can perform high-quality annotations, which is a laborious and expensive process. Moreover, considering the variations that can occur due to the staining process and staining protocols, already collected and annotated datasets can only be reused with limited success. Such stain variation represents a source of domain shift and significantly affects deep learning-based solutions in practice. This becomes more evident when a deep learning task tackles problems related to structures visible under multiple stains as solutions developed using the data from one staining are likely to fail when applied to the other. This thesis investigates the potential of Generative Adversarial Networks (GANs) in two directions for addressing these problems — stain transfer to enable reusing already available data collections; and developing stain invariant solutions which would alleviate the need for additional data acquisition or annotations. The application focus of the thesis is glomeruli segmentation in renal pathology with multiple stainings. Electronic Thesis or Dissertation Text en PDF 43922021 Université de Strasbourg Strasbourg 2023-12-31 https://theses.hal.science/tel-03952280 application/pdf 44013379 https://publication-theses.unistra.fr/public/theses_doctorat/2022/VASILJEVIC_Jelica_2022_ED269.pdf http://www.theses.fr/2022STRAD011/abes https://theses.hal.science/tel-03952280 https://theses.hal.science/tel-03952280 https://theses.hal.science/tel-03952280 Vasiljević Jelica 1991-07-13 FR 256832765 0EFB1S070A6 21724016 4200018 https://theses.fr/2022STRAD011 2022STRAD011 https://doi.org/10.70675/42c45478zec3bz4e67zba3bz94a1861c7eba 2022-09-22 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Wemmert Cédric MADS_DIRECTEUR_DE_THESE_1 176663576 Stanković Srdjan MADS_DIRECTEUR_DE_THESE_2 26715125X Temerinac Ott Maja MADS_PRESIDENT_DU_JURY 267151594 Merveille Odyssée MADS_MEMBRE_DU_JURY_1 201427788 Leclerc Sarah Marie-Solveig MADS_MEMBRE_DU_JURY_2 24534621X Temerinac Ott Maja MADS_RAPPORTEUR_1 267151594 Descombes Xavier MADS_RAPPORTEUR_2 032311222 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 ddc:610 Wemmert Cédric Stanković Srdjan Temerinac Ott Maja Merveille Odyssée Leclerc Sarah Marie-Solveig Temerinac Ott Maja Descombes Xavier 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 43922021