Apprentissage auto-supervisé en présence de données étiquetées limitées pour l'histopathologie numérique
Langue Anglais
Accéder au document

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

 
Auteur : Nisar, Zeeshan
Date de soutenance : 24-09-2024

Directeur(s) de thèse : Lampert, Thomas

Président : Wemmert, Cédric
Rapporteur(s) : Walter, Thomas - Kurtz, Camille
Membre(s) du jury : Ienco, Dino - Temerinac Ott, Maja

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 : Histopathologie digitale, Transfert de coloration, Segmentation multi-taches, Invariance des colorations, 'apprentissage profond, Rareté des données, Segmentation rein-glomérule
Mots-clés :
  • Histopathologie
  • Apprentissage profond
  • Intelligence artificielle en médecine
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAD016
Type de ressource : Thèse