Deep Learning for Histopathological Image Analysis
Apprentissage Profond pour l’Analyse d’Images Histopathologiques
Résumé
The discovery of cells led to the development of the concept of cellular pathology, which states that a diagnosis can be made by examining cells.
Today, microscopic analysis of tissue is used daily in the work routines of pathologists to establish diagnosis of various pathologies in all types of organs.
Since tissues collected from patients are often stored to follow the evolution of the pathology, every year the number of stored tissues is increasing.
In the 1990s, the emergence of slide scanners capable of scanning tissues to obtain whole slide images (WSI), in particular, facilitated the sharing and storage of patient tissues.
Thus, many databases of histopathological images have been created.
Since then, automatic image analysis methods have been proposed to detect biological structures of interest.
Among these methods, we find those from the field of artificial intelligence (AI) and more especially deep learning (DL) approaches.
The use of these methods has the potential to assist pathologists in their diagnosis routines on any type of organ and any type of pathology, but also to improve our understanding of pathologies.
However, the challenges are numerous.
One of them is to be able to assist pathologists in real time during their microscopic analysis sessions.
For this purpose, we propose a method based on YOLOv3 able to detect in real time glomeruli, which are a particular structure in the kidney, in cases of graft rejection.
When one wants to detect biological structures at different magnification levels, as it is the case when we want to follow the movements and zooms of a pathologist during a microscopic analysis, the methods must be robust to changes in levels.
To address this problem, we study a wide range of different magnification levels to identify the levels in which breast cancer-related features are most interesting, and to propose approaches that are robust to level changes.
In histopathological images, there are structures that are interpretable by deep learning methods, but not by pathologists.
This is the case of genetic mutations.
However, knowing the mutations that cause a cancer can help doctors to guide patients towards the right treatment, and thus increase the chances of survival.
The systematic use of automatic methods to find mutations could save the use of DNA sequencers in developing countries, or could save the use of sequencers for more important tasks in developed countries.
Therefore, we are exploring the use of deep learning methods for the detection of the KRAS G12C mutation in colon cancer.
La découverte des cellules a permis de développer le concept de pathologie cellulaire, qui dit qu'un diagnostic peut être posé en examinant des cellules.
Aujourd'hui, l'analyse microscopique de tissu est utilisée quotidiennement dans des routines de travail des pathologistes pour établir des diagnostics de différentes pathologies sur tous types d'organes.
Etant donné que les tissus prélevés chez les patients sont souvent conservés pour tracer l'évolution de la pathologie, chaque année, le nombre de tissus stocké ne cesse d'augmenter.
Dans les années 1990, l'émergence des scanners de lames capables de numériser des tissus pour obtenir des images histopathologiques (WSI), facilite notamment le partage et le stockage des tissus des patients.
Ainsi, de nombreuses bases de données d'images histopathologiques se sont constituées.
Dès lors, des méthodes automatiques d'analyse d'images ont été proposées pour détecter des structures biologiques d'intérêts.
Parmi ces méthodes on retrouve celles issues du domaine de l'intelligence artificielle (IA) et plus particulièrement les approches d'apprentissage profond (DL).
L'utilisation de ces méthodes a le potentiel d'aider les pathologistes dans leurs routines de diagnostic sur tout type d'organe et tout type de pathologie, mais également de faire avancer notre compréhension des pathologies.
Toutefois, les challenges sont nombreux.
L'un d'entre eux, est de pouvoir assister en temps réel les pathologistes lors de leurs séances d'analyse microscopique.
Dans ce but, nous proposons une méthode basée sur YOLOv3 capable de détecter en temps réel des glomérules, qui sont une structure particulière dans le rein, dans des cas de rejet de greffe.
Lorsque l'on souhaite détecter des structures biologiques à différents niveaux de grossissement, comme c'est le cas, quand l'on veut suivre les déplacements et les zooms d'un pathologiste lors d'une analyse microscopique, il faut que les méthodes soient robustes aux changements de niveaux.
Pour résoudre ce problème, nous étudions une grande plage de différents niveaux de grossissement pour identifier les niveaux dans lesquels les caractéristiques liées au cancer du sein sont les plus intéressants, et pour proposer des approches robustes aux changements de niveaux.
Dans les images histopathologiques, il existe des structures qui sont interprétables par les méthodes d'apprentissage profond, mais pas par les pathologistes.
C'est le cas des mutations génétiques.
Pourtant, connaître les mutations à l'origine d'un cancer peut permettre aux médecins de diriger les patients vers des traitements adaptés, et ainsi augmenter les chances de survie.
L'utilisation systématique de méthode automatique pour trouver les mutations peut économiser l'utilisation de séquenceur ADN dans les pays en voie de développement, ou peut permettre de réserver l'utilisation des séquenceurs pour des tâches plus importantes dans les pays développés.
C'est pourquoi nous explorons l'utilisation de méthodes d'apprentissage profond pour la détection de la mutation KRAS G12C dans le cancer du côlon.
Origine : Fichiers produits par l'(les) auteur(s)