Vers une reconnaissance intelligente des données biomédicales par apprentissage en profondeur

Abstract

Dans l’analyse microscopique en hématologie, la morphologie et la proportion des cellules dans les lames peuvent avoir une signification médicale dans le diagnostic de plusieurs maladies cancéreuses telles que le myélome, les leucémies etc. Cepen- dant, la reconnaissance manuelle reste une tache fastidieuse qui nécessite beaucoup de concentration et d’expérience pour diffé- rencier et compter les différents éléments cellulaires. Par consé- quent, un système de reconnaissance automatique est nécessaire afin d’aider le praticien et rendre la lecture des lames rapide et précise. Les systèmes automatiques standard sont basés princi- palement sur la segmentation et la classification des globules blancs. Dans cette thèse, nous proposons deux contributions principales, dans la première, nous nous sommes intéressés à la détection et la segmentation des globules blancs. Nous avons formé un modèle profond pour qu’il soit capable de détecter et de seg- menter automatiquement tous les noyaux et les cytoplasmes. Nous avons appliqué plusieurs techniques de régularisations et quelques améliorations sur les prédictions du modèle en ajoutant des corrections et des prédictions combinées, ainsi qu’un nouvel algorithme qui utilise une coopération entre les sorties du mo- dèle et les informations spatiales de l’image initiale pour une meilleure qualité de segmentation. Les résultats de ce premier travail sont très prometteurs et apportent une amélioration signi- 3 ficative dans la précision et le temps de calcul. La deuxième contribution concerne la classification des sous- types des globules blancs. Nous avons proposé une nouvelle méthode avec cinq architectures profondes pour l’extraction des caractéristiques à partir des images. Les résultats obtenus ont montré l’efficacité de l’approche proposée qui utilise une pré- diction combinée entre les architectures par rapport à chaque modèle individuellement