LogoLogo

Mejbri, Sonia. Apprentissage profond sur des données médicales multivariées

Mejbri, Sonia (2019). Apprentissage profond sur des données médicales multivariées.

[img]PDF (Accès restreint. S'adresser à l'accueil de la BU Sciences de Toulouse) - Accès intranet - nécessite un logiciel de visualisation PDF comme GSview, Xpdf or Adobe Acrobat Reader
5Mb

Résumé en francais

Cette thèse s'inscrit dans le domaine de l'analyse automatique des images microscopiques du cancer du sein. Malgré leur importance pour la mise au point et l'évaluation des méthodes automatiques de détection de cancer, il existe peu de bases de données d'images histologiques annotées. Une première contribution de cette thèse est d'avoir créé une collection d'images annotées composée d'images de lames entières dans lesquelles sept tissus ont été étiquetés manuellement et validés par un expert. La seconde contribution de notre travail porte sur une nouvelle méthode pour la segmentation au niveau des tissus basée sur un modèle de réseau de neurones profond. Nous avons proposé une méthode de segmentation sémantique hybride capable d'agréger des informations contextuelles à partir d'images à plusieurs échelles en combinant des fonctionnalités et en apprenant les dépendances entre échelles à l'aide d'unités convolutives à mémoire à court et long terme (Conv-LSTM). Nous utilisons également des réseaux génératifs (GAN) pour assister la segmentation sémantique en générant des informations supplémentaires utiles pour la tâche de classification. Nous présentons une analyse détaillée des paramètres du réseau de segmentation afin de déterminer la configuration optimale. La comparaison des résultats de notre réseau avec une architecture CNN conventionnelle a montré que les performances étaient considérablement améliorées. Une troisième contribution de ce travail concerne l'évaluation de la segmentation. Nous proposons une nouvelle mesure qui prend en compte les connaissances médicales et la tâche médicale spécifique visée ; elle intègre la gravité de l'erreur commise au point de vue médical.

Sous la direction du :
Directeur de thèse
Mothe, Josiane
Faure, Emmanuel
Ecole doctorale:Mathématiques, informatique, télécommunications de Toulouse (MITT)
laboratoire/Unité de recherche :Institut de Recherche en Informatique de Toulouse (IRIT), UMR 5505
Mots-clés libres :Cancer du sein - Réseaux de neurones - Segmentation sémantique - Traitement d'image - Imagerie médicale
Sujets :Informatique
Déposé le :03 Nov 2021 11:08