Search & Find
DiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporama
Home
ICube Laboratory   >   Events : Thèse: Réseaux neuronaux convolutifs et représentations hiérarchiques : applications et perspectives pour la pathologie numérique

Thèse: Réseaux neuronaux convolutifs et représentations hiérarchiques : applications et perspectives pour la pathologie numérique

October 1, 2020
15:00
Illkirch - Pôle API - amphi J. Lefèvre

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 :

  • Cédric Wemmert, Professeur, Université de Strasbourg
  • Pierre Brousset, Professeur et Praticien Hospitalier, CHU et Université de Toulouse
  • Benoît Naegel, Professeur adjoint, Université de Strasbourg
  • François-Xavier Frenois, PhD et ingénieur, CHU Toulouse

Le jury est composé de :

  • Élisa Fromont, Professeur, Université de Rennes 1 (Rapporteur)
  • Hugues Talbot, Professeur, Université Paris-Saclay (Rapporteur)
  • Fabrice Heitz, Professeur, Directeur adjoint du laboratoire ICube (Examinateur)
  • Thomas Walter, HDR, Directeur du Center for Computational Biology, MINES ParisTech, Institut Curie (Examinateur)

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.

À la une

Du 17 au 21 Septembre 2020, La Fondation pour la Recherche Médicale (FRM) lance sa campagne...

RSS Feeds

Flux RSS