Soutenance de thèse : Arnaud ABREU
Titre : Réseaux neuronaux convolutifs et représentations hiérarchiques : applications et perspectives pour la pathologie numérique
Équipe : SDC
Résumé : Les réseaux neuronaux convolutifs profonds (Convolutional Neural Networks, CNNs) se sont attaqués, avec grand succès, à la plupart des problèmes de reconnaissance d’objets dans les images. Bien que les images de microscopie soient, depuis presque 60 ans, un champ d’application important pour les algorithmes de traitement d’image et de vision par ordinateur, ce sont les avancées récentes dans le domaine de la numérisation des lames histologiques (Whole Slide Imaging) qui permettent aujourd’hui d’envisager l’intégration de ces algorithmes dans de véritables applications biomédicales. Comme une suite logique à la démarche de numérisation, des solutions d’analyse automatiques, notamment basées sur des CNNs, sont naturellement développées avec l’ambition de réduire les erreurs de diagnostic, de pronostic ou de prédiction de réponse à la thérapie.
Nous présentons comment des applications biomédicales peuvent être envisagées et implémentées au travers de deux applications développées durant cette thèse, l’une pour l’analyse de marquage immunohistochimiques complexes, l’autre pour l’assistance dans le diagnostic des lymphomes.
Nous présentons enfin quelques limites de l’apprentissage profond, en particulier sous la forme de modèles de classification, pour la résolution des problématiques biomédicales. Ces observations critiques conduisent à des conceptions et développements plus généraux dans lesquels la place de l’apprentissage profond est repensée comme une brique de soutien à des outils de fouille de données. Les algorithmes de fouille sont des outils propices à la structuration et à la classification exhaustive des données. Au travers de la construction d’arbres de segmentations ou de subsomptions, nous montrons comment la fouille de données, soutenue par des représentations construites par apprentissage profond, peuvent constituer des éléments d’analyse compatibles avec l’interprétation humaine et économes en termes d’annotations et d’apprentissage.
La thèse a été dirigée par :
Le jury est composé de :
Mots clés : pathologie numérique, CNNs, représentations hiérarchiques
La soutenance aura lieu en français le jeudi 1er octobre 2020 à 15h00 dans l'amphithéâtre J. Lefèvre, du bâtiment I du Pôle API à Illkirch.
Le dépôt des candidatures pour les postes d’enseignants-chercheur est ouvert. Les offres sont...
Créée en janvier 2021, l'équipe MLMS (Machine Learning, Modélisation et Simulation) réunit des...
AFNOR Certification vient de renouveler la certification ISO 9001:2015 du Service de Cartographie...
La thématique de l'intelligence artificielle (IA) en lien avec la santé est forte au laboratoire...
Publiées au Journal officiel le vendredi 1er janvier 2021, les promotions de la Légion d'honneur et...
Le référentiel "ICube Software Collection" permet d'avoir une vue d'ensemble des logiciels...
Pour son édition 2020, la Journée des Jeunes Chercheurs en Robotique (JJCR2020) a eu lieu en ligne...
Le Challenge Mature Your PhD créé en 2019 par Conectus en partenariat avec les établissements de...
Un colloque consacré à la promotion de la science chez les femmes et à la diffusion des savoirs...
Reprise de l'article sur le site INSA Strasbourg du 24 novembre rédigé par Véronique...
L'extrait de l'article ci-dessous est tiré du dossier « Ces robots qui nous veulent du bien », à...