Skip to Main content Skip to Navigation
Theses

From cellular phenotypes to the analysis of whole slide images : Application to treatment response in triple-negative breast cancer

Résumé : Le 21ème siècle a vu l'essor de la pathologie numérique. De fait, les challenges de l'analyse des données histopathologiques ont contribué à un effort mondial dans la lutte globale contre le cancer. Parallèlement, le succès récent de la décision par automate, plus particulièrement l'apprentissage profond, a révolutionné la recherche dans le domaine de la vision par ordinateur. Dans cette thèse, nous avons étudié la prédiction de la réponse au traitement chez des patients atteints d'un cancer du sein triple négatif avec deux approches différentes aux performances similaires. La première approche, basée sur le récent succès de la vision par ordinateur, extrait des caractéristiques afin d'en effectuer la classification finale. La deuxième approche contraint le flux d'information à passer par la segmentation de noyaux. En particulier, elle permet d'incorporer des informations de haute résolution à une vue globale basse résolution. Bien que cette approche soit plus attrayante, puisqu'elle repose sur l'analyse et la quantification d'un élément biologique précis, la segmentation de noyaux est une tâche fastidieuse. Nous proposons une nouvelle approche de segmentation par apprentissage profond, qui est particulièrement adaptée à la séparation de cellules en contact.
Document type :
Theses
Complete list of metadatas

https://pastel.archives-ouvertes.fr/tel-02470754
Contributor : Abes Star :  Contact
Submitted on : Friday, February 7, 2020 - 3:00:29 PM
Last modification on : Thursday, April 9, 2020 - 5:08:12 PM
Document(s) archivé(s) le : Friday, May 8, 2020 - 4:13:26 PM

File

2019PSLEM051_archivage.pdf
Version validated by the jury (STAR)

Identifiers

  • HAL Id : tel-02470754, version 1

Citation

Peter Naylor. From cellular phenotypes to the analysis of whole slide images : Application to treatment response in triple-negative breast cancer. Bioinformatics [q-bio.QM]. PSL Research University, 2019. English. ⟨NNT : 2019PSLEM051⟩. ⟨tel-02470754⟩

Share

Metrics

Record views

178

Files downloads

48