Thèse soutenue

Du phénotypage cellulaire à la classification de lames digitales : Une application au traitement du cancer du sein triple-négatif
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Peter Naylor
Direction : Jean-Philippe VertThomas Walter
Type : Thèse de doctorat
Discipline(s) : Bio-informatique
Date : Soutenance le 18/12/2019
Etablissement(s) : Paris Sciences et Lettres (ComUE)
Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
Partenaire(s) de recherche : Laboratoire : Centre de bio-informatique (Fontainebleau, Seine et Marne)
établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
Jury : Président / Présidente : Etienne Decencière
Examinateurs / Examinatrices : Jean-Philippe Vert, Thomas Walter, Charles Kervrann, Marick Laé
Rapporteurs / Rapporteuses : Valery Naranjo, Isabelle Bloch

Résumé

FR  |  
EN

Le 21ème siècle a vu l'essor de la pathologie numérique. De fait, les challenges de l'analyse des données histopathologiques ont contribué à un effort mondial dans la lutte globale contre le cancer. Parallèlement, le succès récent de la décision par automate, plus particulièrement l'apprentissage profond, a révolutionné la recherche dans le domaine de la vision par ordinateur. Dans cette thèse, nous avons étudié la prédiction de la réponse au traitement chez des patients atteints d'un cancer du sein triple négatif avec deux approches différentes aux performances similaires. La première approche, basée sur le récent succès de la vision par ordinateur, extrait des caractéristiques afin d'en effectuer la classification finale. La deuxième approche contraint le flux d'information à passer par la segmentation de noyaux. En particulier, elle permet d'incorporer des informations de haute résolution à une vue globale basse résolution. Bien que cette approche soit plus attrayante, puisqu'elle repose sur l'analyse et la quantification d'un élément biologique précis, la segmentation de noyaux est une tâche fastidieuse. Nous proposons une nouvelle approche de segmentation par apprentissage profond, qui est particulièrement adaptée à la séparation de cellules en contact.