Note ABES Self-supervised learning in the presence of limited labelled data for digital histopathology Apprentissage auto-supervisé en présence de données étiquetées limitées pour l'histopathologie numérique Histopathologie digitale Transfert de coloration Segmentation multi-taches Invariance des colorations 'apprentissage profond Rareté des données Segmentation rein-glomérule Digital histopathology Generative adversarial networks Stain transfer Multi-stain segmentation Stain-invariance Self-supervised learning Data-scarcity Kidney-glomeruli segmentation 006 610 Histopathologie Apprentissage profond Intelligence artificielle en médecine Un défi majeur dans l'application de l'apprentissage profond à l'histopathologie réside dans la variation des colorations, à la fois inter et intra-coloration. Les modèles d'apprentissage profond entraînés sur une seule coloration (ou domaine) échouent souvent sur d'autres, même pour la même tâche (par exemple, la segmentation des glomérules rénaux). L'annotation de chaque coloration est coûteuse et chronophage, ce qui pousse les chercheurs à explorer des méthodes de transfert de coloration basées sur l'adaptation de domaine. Celles-ci visent à réaliser une segmentation multi-coloration en utilisant des annotations d'une seule coloration, mais sont limitées par l'introduction d'un décalage de domaine, réduisant ainsi les performances. La détection et la quantification de ce décalage sont essentielles. Cette thèse se concentre sur des méthodes non supervisées pour développer une métrique de détection du décalage et propose une approche de transfert de coloration pour le minimiser. Bien que ces algorithmes réduisent le besoin d'annotations, ils peuvent être limités pour certains tissus. Cette thèse propose donc une amélioration via l'auto-supervision. A key challenge in applying deep learning to histopathology is the variation in stainings, both inter and intra-stain. Deep learning models trained on one stain (or domain) often fail on others, even for the same task (e.g., kidney glomeruli segmentation). Labelling each stain is expensive and time-consuming, prompting researchers to explore domain adaptation based stain-transfer methods. These aim to perform multi-stain segmentation using labels from only one stain but are limited by the introduction of domain shift, reducing performance. Detecting and quantifying this domain shift is important. This thesis focuses on unsupervised methods to develop a metric for detecting domain shift and proposes a novel stain-transfer approach to minimise it. While multi-stain algorithms reduce the need for labels in target stains, they may struggle with tissue types lacking source-stain labels. To address this, the thesis focuses to improve multi-stain segmentation with less reliance on labelled data using self-supervision. While this thesis focused on kidney glomeruli segmentation, the proposed methods are designed to be applicable to other histopathology tasks and domains, including medical imaging and computer vision. Electronic Thesis or Dissertation Text en PDF 115213946 https://theses.hal.science/tel-04788654 application/pdf 102762312 https://publication-theses.unistra.fr/public/theses_doctorat/2024/NISAR_Zeeshan_2024_ED269.pdf http://www.theses.fr/2024STRAD016/abes https://theses.hal.science/tel-04788654 https://theses.hal.science/tel-04788654 Nisar Zeeshan 1995-11-21 FR 275000583 0EFB1V06053 22025809 4200018 https://theses.fr/2024STRAD016 2024STRAD016 https://doi.org/10.70675/a7943d75z63f1z4364z833fz8f3c70b639a5 2024-09-24 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Lampert Thomas MADS_DIRECTEUR_DE_THESE_1 273050559 Wemmert Cédric MADS_PRESIDENT_DU_JURY 176663576 Ienco Dino MADS_MEMBRE_DU_JURY_1 172688183 Temerinac Ott Maja MADS_MEMBRE_DU_JURY_2 267151594 Walter Thomas MADS_RAPPORTEUR_1 241957796 Kurtz Camille MADS_RAPPORTEUR_2 164897615 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 Lampert Thomas Wemmert Cédric Ienco Dino Temerinac Ott Maja Walter Thomas Kurtz Camille 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 ; 2013-....) PDF 115213946