Deep learning for histopathological image analysis

Apprentissage profond pour l'analyse d'images histopathologiques

Robin Heckenauer (1)

1 IRIMAS - Institut de Recherche en Informatique Mathématiques Automatique Signal - IRIMAS - UR 7499

From the 1990s onwards, slide scanners made it possible to digitize tissues to obtain histopathological images. Since then, image analysis methods have been proposed to detect biological structures of interest, enabling the field of digital pathology to emerge. Deep learning methods applied to these images have the potential to help pathologists in their diagnosis routines, whatever the organ and pathology. In the context of creating methods capable of assisting pathologists during their microscopic diagnosis sessions, it is necessary to propose approaches robust to real-time changes in magnification levels. Firstly, based on a study of a wide range of magnification levels, we compare approaches robust to changes in magnification levels in breast cancer images. Secondly, to track the real-time movements of a pathologist, we propose a YOLOv3-based method capable of detecting glomeruli in the kidney, in cases of graft rejection. In histopathological images, there are structures that can be interpreted by deep learning, but which remain unknown to pathologists, such as genetic mutations. However, knowing these mutations can help guide patients towards more appropriate treatments and increase their chances of surviving cancer. We therefore propose to compare deep learning methods to detect the KRAS G12C mutation, which is responsible for an aggressive form of colon cancer.

À partir des années 1990, les scanners de lames permettent de numériser des tissus pour obtenir des images histopathologiques. Dès lors, des méthodes d'analyse d'images ont été proposées pour détecter des structures biologiques d'intérêts, permettant ainsi au domaine de la pathologie numérique d’émerger. Les méthodes d’apprentissage profond appliquées à ces images ont le potentiel d'aider les pathologistes dans leurs routines de diagnostic quels que soient l'organe et la pathologie. Dans le cadre de la création de méthodes capables d’assister les pathologistes pendant leurs séances de diagnostic au microscope, il est nécessaire de proposer des approches robustes aux changements de niveaux en temps réel. Dans un premier temps, en nous basant sur une étude d’une grande plage de niveaux de grossissement, nous comparons des approches robustes aux changements de niveaux dans les images de cancer du sein. Dans un second temps, pour suivre les déplacements en temps réel d’un pathologiste, nous proposons une méthode basée sur YOLOv3 capable de détecter des glomérules dans le rein, dans les cas de rejet de greffe. Dans les images histopathologiques, il existe des structures interprétables par apprentissage profond, mais qui échappent aux pathologistes, comme les mutations génétiques. Pourtant, connaître ces mutations permet de guider les patients vers des traitements plus adaptés et augmenter leur chances de survie face au cancer. De ce fait, nous proposons de comparer des méthodes d’apprentissage profond pour détecter la mutation KRAS G12C, qui est responsable d’une forme agressive de cancer du côlon.

Mots clés: Artificial intelligence; Deep learning; Digital pathology; Histopathological images; Magnification levels; Real-time detection; Genetic mutation

Mots clés: Intelligence artificielle; Apprentissage profond; Pathologie numérique; Images histopathologiques; Niveaux de grossissement; Détection en temps réel; Mutation génétique

Domaines: Biotechnologie; Traitement du signal et de l'image [eess.SP]

Robin Heckenauer. Apprentissage profond pour l'analyse d'images histopathologiques. Biotechnologie. Université de Haute Alsace - Mulhouse, 2023. Français. ⟨NNT : 2023MULH5410⟩. ⟨tel-04296605⟩