Thèse soutenue

Sélection de caractéristiques stables pour la segmentation d'images histologiques par calcul haute performance
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Clément Bouvier
Direction : Thierry DelzescauxCédric Clouchoux
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 18/01/2019
Etablissement(s) : Sorbonne université
Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
Partenaire(s) de recherche : Laboratoire : Laboratoire des maladies neurodégénératives : mécanismes, thérapies, imagerie (Fontenay-aux-Roses, Hauts-de-Seine)
Jury : Président / Présidente : Dominique Béréziat
Examinateurs / Examinatrices : Christophe Ducottet, Bertha Helena Rodriguez
Rapporteurs / Rapporteuses : Vincent Frouin, Aymeric Histace

Résumé

FR  |  
EN

L’histologie produit des images à l’échelle cellulaire grâce à des microscopes optiques très performants. La quantification du tissu marqué comme les neurones s’appuie de plus en plus sur des segmentations par apprentissage automatique. Cependant, l’apprentissage automatique nécessite une grande quantité d’informations intermédiaires, ou caractéristiques, extraites de la donnée brute multipliant d’autant la quantité de données à traiter. Ainsi, le nombre important de ces caractéristiques est un obstacle au traitement robuste et rapide de séries d’images histologiques. Les algorithmes de sélection de caractéristiques pourraient réduire la quantité d’informations nécessaires mais les ensembles de caractéristiques sélectionnés sont peu reproductibles. Nous proposons une méthodologie originale fonctionnant sur des infrastructures de calcul haute-performance (CHP) visant à sélectionner des petits ensembles de caractéristiques stables afin de permettre des segmentations rapides et robustes sur des images histologiques acquises à très haute-résolution. Cette sélection se déroule en deux étapes : la première à l’échelle des familles de caractéristiques. La deuxième est appliquée directement sur les caractéristiques issues de ces familles. Dans ce travail, nous avons obtenu des ensembles généralisables et stables pour deux marquages neuronaux différents. Ces ensembles permettent des réductions significatives des temps de traitement et de la mémoire vive utilisée. Cette méthodologie rendra possible des études histologiques exhaustives à haute-résolution sur des infrastructures CHP que ce soit en recherche préclinique et possiblement clinique.