Academic literature on the topic 'Hématopathologie'

La pathologie numérique constitue aujourd'hui un outil fondamental pour le diagnostic médical, exploitant les avancées technologiques en matière de numérisation pour transformer les échantillons biologiques en données numériques, facilitant ainsi leur visualisation et leur analyse. Cependant, ces méthodes, souvent basées sur la microscopie conventionnelle, rencontrent des limitations qui entravent parfois leur efficacité. Dans ce contexte, des méthodes d'imagerie non conventionnelles telles que la microscopie ptychographique de Fourier (FPM) offrent des perspectives prometteuses pour surmonter ces limitations. En effet, la FPM offre un accès à la phase en complément de l'intensité et permet d'examiner un large champ de vision à haute résolution à un coût de conception raisonnable. Cette thèse explore le potentiel de la microscopie ptychographique de Fourier dans l'analyse des frottis sanguins minces. Plusieurs résultats ont été obtenus grâce à une approche multidisciplinaire intégrant l'apprentissage en profondeur et la microscopie. Nous nous concentrons d'abord sur le problème limité de la détection des parasites pour le diagnostic du paludisme. L'exploitation conjointe de l'intensité et de la phase permet d'améliorer les performances d'un détecteur de réseau neuronal profond. À cette fin, un CNN à valeurs complexes a été introduit dans l'architecture Faster-RCNN pour une extraction efficace des caractéristiques. Ensuite, nous examinons une application plus complexe, à savoir la classification des globules blancs, où les avantages de l'exploitation conjointe de l'intensité et de la phase ont également été confirmés. Nous nous intéressons également au problème du déséquilibre des classes rencontré dans cette tâche, nous proposons un nouveau modèle GAN informé par la physique dédié à la génération d'images d'intensité et de phase. Ce modèle évite le problème de mode collapse rencontré avec l'implémentation habituelle des GAN. Enfin, nous considérons l'optimisation de la conception du microscope FPM. À cette fin, nous explorons des stratégies combinant simulations, réseaux neuronaux et modélisation de la formation d'images. Nous démontrons que la FPM peut utiliser des résolutions faibles sans compromettre significativement les performances. Cette thèse souligne l'intérêt d'adapter l'apprentissage automatique en lien avec les principes de la microscopie et met en évidence le potentiel de la microscopie ptychographique de Fourier pour les futurs systèmes de diagnostic automatisés
Digital pathology presents today a fundamental tool for medical diagnosis, exploiting technological advances in digitalization to transform biological samples into digital data, thus facilitating their visualization and analysis. However, these methods, often based on conventional microscopy, encounter limitations that sometimes hinder their effectiveness.From this perspective, unconventional imaging methods such as Fourier ptychographic microscopy offer promising prospects for overcoming these limitations. Indeed, FPM offers access to the phase in complement of the intensity and allows examining a large Field of View at a high resolution at a reasonable design cost.This thesis explores Fourier ptychographic microscopy (FPM) 's potential in thin blood smear analysis. Several results have been obtained thanks to a multidisciplinary approach integrating deep learning and microscopy.We have first focused our attention on the problem of limited complexity of parasite detection for malaria diagnosis. The joint exploitation of intensity and phase is shown to improve the performance of a deep network detector. To this end, a complex-valued CNN has been introduced in Faster-RCNN architecture for efficient feature extraction.Secondly, we have considered a more complex application, namely the classification of white blood cells, where the benefits of joint exploitation of intensity and phase were also confirmed. Furthermore, to reduce the imbalance of classes encountered in this task, we propose a novel physics-informed GAN model dedicated to generating intensity and phase images. This model avoids the mode collapse problem faced with usual GAN implementation.Finally, we have considered optimizing the FPM microscope design. To this end, we explore strategies combining simulations, neural networks, and image formation modeling. We demonstrate that FPM can use low resolutions without significantly compromising performance.This thesis underscores the interest in tailoring machine learning in connection to microscopy principles and highlights the potential of Fourier ptychographic microscopy for future automated diagnosis systems

Mon travail s'inscrit dans le cadre du partenariat stratégique Télécom SudParis (TSP) et TRIBVN/T-life, dédié au développement de nouvelles approches en microscopie optique, couplées à l'intelligence artificielle, en vue d'identifier, de prédire et de monitorer les pathologies hématologiques et parasitologiques. C'est dans cette perspective que nous avons développé, dans le laboratoire, un prototype de microscope reposant sur un principe d'imagerie non conventionnelle à synthèse d'ouverture, basée sur l'approche FPM (Fourier Ptychographic Microscopy). Cette approche permet de dépasser les limites en résolution de l'optique conventionnelle ou, de façon équivalente, accéder à des champs de vue très larges (de 4 à 25 fois plus importants) à résolution fixée. Elle permet, en sus, de diversifier la nature des données acquises (avec l'enregistrement de la phase en complément des données d'intensité).Toutefois, en raison de certaines contraintes, notamment le temps d'acquisition et de reconstruction des images pour obtenir une qualité optimale, cette technologie rencontre encore des difficultés pour trouver ses applications et être commercialisée par les différents acteurs du domaine de la microscopie. Le travail réalisé dans cette thèse a permis des avancées significatives sur certains des aspects limitants de cette technologie grâce à la mise en œuvre de modèles à base de réseaux de neurones. Nous avons proposé une relocalisation automatique des images bimodales efficace sur de grands champs de vue, grâce à un post-traitement basé sur un U-Net. Nous avons aussi proposé une approche originale, alliant apprentissage statistique et optimisation guidée par la physique pour réduire les temps d'acquisition des images et les temps de reconstruction. Ces modèles ont démontré leur efficacité, par des diagnostics plus précis et discriminants, dans des applications de parasitologie et d'hématologie. Les contributions apportées ont un potentiel d'application qui dépasse le domaine de la FPM, ouvrant des perspectives dans divers autres champs de l'imagerie calculatoire
This research is part of the Télécom SudParis (TSP) and TRIBVN/T-life strategic partnership, dedicated to the development of new approaches in optical microscopy, coupled with artificial intelligence, to identify, predict and monitor hematological and parasitological pathologies.In this regard, we developed a prototype microscope based on a computational imaging principle with a synthetic aperture, based on the FPM (Fourier Ptychographic Microscopy) approach. This approach makes it possible to overcome conventional optics' resolution limits, or equivalently access very large fields of view (from 4 to 25 times larger) at fixed resolution. It also enables us to diversify the nature of the data acquired (with phase recording in addition to intensity data).However, despite its promise, the technology faces challenges in widespread adoption and commercialization within the microscopy field, primarily due to constraints such as the time-intensive process required for image acquisition and reconstruction to achieve optimal quality.The research conducted in this thesis has led to substantial advancements in overcoming certain limitations of this technology, leveraging models based on neural networks.We have proposed an efficient automatic refocusing of bimodal images over large fields of view, thanks to post-processing based on a U-Net. We have also proposed an original approach, combining statistical learning and physics-driven optimization to reduce image acquisition and reconstruction times.These frameworks have validated their efficacy by yielding more precise and discriminating diagnoses in the fields of parasitology and haematology.The potential applications of these contributions go far beyond the field of FPM, opening up perspectives in various other fields of computational imaging