Letteratura scientifica selezionata sul tema "Classification de lames entières"

Objectif : Déterminer les taux d’accord et la reproductibilité intra et inter-observateurs des classifications OMS 1973 et OMS 2004 des tumeurs urothéliales papillaires de la vessie.Matériel et méthodes : Cent deux cas de tumeurs urothéliales papillaires de stade pTa/pT1 ont été étudiés. Deux pathologistes ont revu les lames et ont établi le grade tumoral selon les deux classifications OMS 1973 et OMS 2004. En cas de désaccord, les deux évaluateurs ont procédé à une lecture commune au microscope en double tête afin d’aboutir à un grade consensuel selon les deux classifications. La variabilité intra-observateur a été étudiée chez l’un des deux évaluateurs qui a procédé à la relecture des lames un mois après sa première lecture. Les taux d’accord entre les deux pathologistes pour chaque catégorie de grade ont été déterminés et la reproductibilité des deux classifications a été évaluée à l’aide du coefficient kappa. Une valeur de 0 à 0,2 était interprétée comme un désaccord absolu, de 0,21 à 0,4, un accord faible, de 0,41 à 0,6, un accord modéré, de 0,61 à 0,8, un accord considérable, et de 0,8 à 1, un accord absolu.Résultats : Selon la classification OMS 1973, les proportions desgrades G1, G2 et G3 étaient respectivement de 40,2 %, 50 % et 9,8 %. Selon la classification OMS 2004, les proportions respectives des tumeurs de faible potentiel de malignité, des carcinomes de bas grade et des carcinomes de haut grade de malignité étaientde 23,5 %, 60,8 % et 15,7 %. La reproductibilité intra-observateur était excellente pour les deux classifications (accord absolu). Les taux d’accord entre les deux pathologistes étaient meilleurs pour la classification OMS 2004 (kappa = 0,7) que pour la classification OMS 1973 (kappa = 0,51).Conclusions : La reproductibilité entre observateurs de la classification OMS 2004 est supérieure à celle de 1973. La reproductibilité intra-observateur est excellente pour les deux classifications.

Schizomètre est le nom d'une joyeuse guérilla, celle entreprise par Marco Decorpeliada (1947‑2006) contre les diagnostics en psychiatrie dsm (Diagnostic and Statistical Manual of Mental Disorders). Lui-même, entre autres étiqueté 20.2, c’est-à-dire « schizophrénie type catatonique continue » dans la classification dsm, découvre que 20.2 correspond à « crevettes entières roses cuites » dans le catalogue des produits surgelés Picard. Dégivrant avec art une psychiatrie surgelée, il inscrit son entreprise de renversement sur des mètres et répertorie les manques de la classification dsm sur des portes de congélateurs. Cette conférence réunit les meilleurs spécialistes de la vie et de l'œuvre de Marco Decorpeliada pour débattre de ce génie méconnu et de son impact déterminant sur la pensée contemporaine. avec Marcel Bénabou, historien et écrivain, membre de l'OuLiPo Baptiste Brun, historien de l'art (Rennes 2) Jean-Luc Deschamps, modérateur Dominique de Liège, psychanalyste (École lacanienne de psychanalyse) Yan Pélissier, psychanalyste (École lacanienne de psychanalyse) Olivier Vidal, chercheur en sciences de gestion (Paris, cnam)

Les ajustements qui se produisent dans les trois dimensions de liberté des lits fluviaux sont consécutifs aux perturbations survenues dans les variables de contrôle en exercice. La sensibilité est alors la caractéristique d’un système qui décrit la gravité de sa réponse à une perturbation par rapport à l’ampleur de la force de la perturbation. L’approche hydrogéomorphologique d’analyse des dynamiques fluviales intègre deux dimensions, une sur la classification des styles fluviaux et l’analyse des puissances spécifiques et l’autre sur l’étude de la trajectoire géomorphologique. En s’appuyant sur le cas de la Menoua, on se pose la question de savoir quelle est la gravité de la réponse horizontale du chenal principal face aux sollicitations des lames d’eau inter-saisonnières ?.

L’anatomopathologie est la discipline médicale responsable du diagnostic et de la caractérisation des maladies par inspection macroscopique, microscopique, moléculaire et immunologique des tissus. Les technologies modernes permettent de numériser des lames tissulaire en images numériques qui peuvent être traitées par l’intelligence artificielle pour démultiplier les capacités des pathologistes. Cette thèse a présenté plusieurs approches nouvelles et puissantes qui s’attaquent à la segmentation et à la classification pan-cancer des images de lames numériques. L’apprentissage de modèles de segmentation pour des lames numériques est compliqué à cause de difficultés d’obtention d’annotations qui découlent (i) d’une pénurie de pathologistes, (ii) d’un processus d’annotation ennuyeux, et (iii) de différences majeurs entre les annotations inter-pathologistes. Mon premier axe de travail a abordé la segmentation des tumeurs pan-cancéreuses en concevant deux nouvelles approches d’entraînement faiblement supervisé qui exploitent des annotations à l’échelle de la lame qui sont faciles et rapides à obtenir. En particulier, ma deuxième contribution à la segmentation était un algorithme générique et très puissant qui exploite les annotations de pourcentages de tumeur pour chaque lame, sans recourir à des annotations de pixels. De vastes expériences à grande échelle ont montré la supériorité de mes approches par rapport aux méthodes faiblement supervisées et supervisées pour la segmentation des tumeurs pan-cancer sur un ensemble de données de plus de 15 000 lames de tissus congelés. Mes résultats ont également démontré la robustesse de nos approches au bruit et aux biais systémiques dans les annotations. Les lames numériques sont difficiles à classer en raison de leurs tailles colossales, qui vont de millions de pixels à plusieurs milliards de pixels, avec un poids souvent supérieur à 500 mégaoctets. L’utilisation directe de la vision par ordinateur traditionnelle n’est donc pas possible, incitant l’utilisation de l’apprentissage par instances multiples, un paradigme d’apprentissage automatique consistant à assimiler une lame comme un ensemble de tuiles uniformément échantillonnés à partir de cette dernière. Jusqu’à mes travaux, la grande majorité des approches d’apprentissage à instances multiples considéraient les tuiles comme échantillonnées de manière indépendante et identique, c’est-à-dire qu’elles ne prenaient pas en compte la relation spatiale des tuiles extraites d’une image de lame numérique. Certaines approches ont exploité une telle interconnexion spatiale en tirant parti de modèles basés sur des graphes, bien que le véritable domaine des lames numériques soit spécifiquement le domaine de l’image qui est plus adapté aux réseaux de neurones convolutifs. J’ai conçu un cadre d’apprentissage à instances multiples puissant et modulaire qui exploite la relation spatiale des tuiles extraites d’une lame numérique en créant une carte clairsemée des projections multidimensionnelles de patches, qui est ensuite traitée en projection de lame numérique par un réseau convolutif à entrée clairsemée, avant d’être classée par un modèle générique de classification. J’ai effectué des expériences approfondies sur trois tâches de classification d’images de lames numériques, dont la tâche par excellence du cancérologue de soustypage des tumeurs, sur un ensemble de données de plus de 20 000 images de lames numériques provenant de données publiques. Les résultats ont mis en évidence la supériorité de mon approche vis-à-vis les méthodes d’apprentissage à instances multiples les plus répandues. De plus, alors que mes expériences n’ont étudié mon approche qu’avec des réseaux de neurones convolutifs à faible entrée avec deux couches convolutives, les résultats ont montré que mon approche fonctionne mieux à mesure que le nombre de paramètres augmente, suggérant que des réseaux de neurones convolutifs plus sophistiqués peuvent facilement obtenir des résultats su
Anatomic pathology is the medical discipline responsible for the diagnosis and characterization of diseases through the macroscopic, microscopic, molecular and immunologic inspection of tissues. Modern technologies have made possible the digitization of tissue glass slides into whole slide images, which can themselves be processed by artificial intelligence to enhance the capabilities of pathologists. This thesis presented several novel and powerful approaches that tackle pan-cancer segmentation and classification of whole slide images. Learning segmentation models for whole slide images is challenged by an annotation bottleneck which arises from (i) a shortage of pathologists, (ii) an intense cumbersomeness and boring annotation process, and (iii) major inter-annotators discrepancy. My first line of work tackled pan-cancer tumor segmentation by designing two novel state-of-the-art weakly supervised approaches that exploit slide-level annotations that are fast and easy to obtain. In particular, my second segmentation contribution was a generic and highly powerful algorithm that leverages percentage annotations on a slide basis, without needing any pixelbased annotation. Extensive large-scale experiments showed the superiority of my approaches over weakly supervised and supervised methods for pan-cancer tumor segmentation on a dataset of more than 15,000 unfiltered and extremely challenging whole slide images from snap-frozen tissues. My results indicated the robustness of my approaches to noise and systemic biases in annotations. Digital slides are difficult to classify due to their colossal sizes, which range from millions of pixels to billions of pixels, often weighing more than 500 megabytes. The straightforward use of traditional computer vision is therefore not possible, prompting the use of multiple instance learning, a machine learning paradigm consisting in assimilating a whole slide image as a set of patches uniformly sampled from it. Up to my works, the greater majority of multiple instance learning approaches considered patches as independently and identically sampled, i.e. discarded the spatial relationship of patches extracted from a whole slide image. Some approaches exploited such spatial interconnection by leveraging graph-based models, although the true domain of whole slide images is specifically the image domain which is more suited with convolutional neural networks. I designed a highly powerful and modular multiple instance learning framework that leverages the spatial relationship of patches extracted from a whole slide image by building a sparse map from the patches embeddings, which is then further processed into a whole slide image embedding by a sparse-input convolutional neural network, before being classified by a generic classifier model. My framework essentially bridges the gap between multiple instance learning, and fully convolutional classification. I performed extensive experiments on three whole slide image classification tasks, including the golden task of cancer pathologist of subtyping tumors, on a dataset of more than 20,000 whole slide images from public data. Results highlighted the superiority of my approach over all other widespread multiple instance learning methods. Furthermore, while my experiments only investigated my approach with sparse-input convolutional neural networks with two convolutional layers, the results showed that my framework works better as the number of parameters increases, suggesting that more sophisticated convolutional neural networks can easily obtain superior results

Le cancer du col de l’utérus est le deuxième cancer le plus important pour les femmes après le cancer du sein. En 2012, le nombre de cas recensés dépasse 500,000 à travers le monde, dont la moitié se sont révélés mortels. Jusqu'à maintenant, le dépistage primaire du cancer du col de l’utérus est réalisé par l’inspection visuelle de cellules, prélevées par frottis vaginal, par des cytopathologistes utilisant la microscopie en fond clair dans des laboratoires de pathologie. En France, environ 5 millions de dépistage sont réalisés chaque année et environ 90% mènent à un diagnostic négatifs (i.e. pas de changements précancereux détectés). Pourtant, ces analyses au microscope sont extrêmement fastidieuses et coûteuses en temps pour le cytotechniciens et peut nécessiter l’avis conjoint de plusieurs experts. Ce processus impacte la capacité à traiter cette immense quantité de cas et à éviter les faux négatifs qui sont la cause principale des retards de traitements médicaux. Le manque d’automatisation et de traçabilité des dépistage deviennent ainsi de plus en plus critique à mesure que le nombre d’experts diminue. En ce sens, l’intégration d’outils numériques dans les laboratoires de pathologie devient une réelle problématique de santé publique et la voie privilégiée pour l’amélioration de ces laboratoires. Depuis 2012, l’apprentissage profond a révolutionné le domaine de la vision par ordinateur, en particulier grâce aux réseaux de neurones convolutionnels qui se sont montrés fructueux sur un large panel d’applications parmi lesquelles plusieurs en imagerie biomédicale. Parallèlement, le processus de digitalisation de lames entières a ouvert l’opportunité pour de nouveaux outils et de nouvelles méthodes de diagnostic assisté par ordinateur. Dans cette thèse, après avoir motivé le besoin médical et introduit l’état de l’art en terme de méthodes d’apprentissage profond pour le traitement de l’image, nous présentons nos contributions au domaine de la vision par ordinateur traitant le dépistage du cancer du col de l’utérus dans un contexte de cytologie en milieu liquide. Notre première contribution consiste à proposer une méthode simple de régularisation pour l’entrainement de modèles dans le contexte d’une classification ordinale (i.e. classes suivant un ordre). Nous démontrons l’avantage de notre méthode pour la classification de cellules utérines en utilisant sur le jeu de données Herlev. De plus, nous proposons de nous appuyer sur des explications basées sur le gradient pour réaliser une localisation faiblement supervisée et plus généralement une détection d’anormalité. Finalement, nous montrons comment nous intégrons ces méthodes pour créer un outil assisté par ordinateur qui pourrait être utilisé afin de réduire la charge de travail des cytopathologistes. La seconde contribution se concentre sur la classification de lames entières et l’interprétabilité de ces approches. Nous présentons en détails les méthodes de classification de lames entières s’appuyant sur l’apprentissage multi-instances, et améliorons l’interprétabilité dans un contexte d’apprentissage faiblement supervisé via des visualizations de caractéristiques au niveau de la tuile et une nouvelle manière de calculer des cartes de chaleur explicatives. Finalement, nous appliquons ces méthodes pour le dépistage du cancer du col de l’utérus en utilisant un detecteur d’ “anormalité” qui guide l’entrainement pour l’échantillonnages de régions d’intérêt
Cervical cancer is the second most important cancer for women after breast cancer. In 2012, the number of cases exceeded 500,000 worldwide, among which half turned to be deadly.Until today, primary cervical cancer screening is performed by a regular visual analysis of cells, sampled by pap-smear by cytopathologists under brightfield microscopy in pathology laboratories. In France, about 5 millions of cervical screening are performed each year and about 90% lead to a negative diagnosis (i.e. no pre-cancerous changes detected). Yet, these analyses under microscope are extremely tedious and time-consuming for cytotechnicians and can require the joint opinion of several experts. This process has an impact on the capacity to tackle this huge amount of cases and to avoid false negatives that are the main cause of treatment delay. The lack of automation and traceability of screening is thus becoming more critical as the number of cyto-pathologists decreases. In that respect, the integration of digital tools in pathology laboratories is becoming a real public health stake for patients and the privileged path for the improvement of these laboratories. Since 2012, deep learning methods have revolutionized the computer vision field, in particular thanks to convolutional neural networks that have been applied successfully to a wide range of applications among which biomedical imaging. Along with it, the whole slide imaging digitization process has opened the opportunity for new efficient computer-aided diagnosis methods and tools. In this thesis, after motivating the medical needs and introducing the state-of-the-art deep learning methods for image processing and understanding, we present our contribution to the field of computer vision tackling cervical cancer screening in the context of liquid-based cytology. Our first contribution consists in proposing a simple regularization constraint for classification model training in the context of ordinal regression tasks (i.e. ordered classes). We prove the advantage of our method on cervical cells classification using Herlev dataset. Furthermore, we propose to rely on explanations from gradient-based explanations to perform weakly-supervised localization and detection of abnormality. Finally, we show how we integrate these methods as a computer-aided tool that could be used to reduce the workload of cytopathologists.The second contribution focuses on whole slide classification and the interpretability of these pipelines. We present in detail the most popular approaches for whole slide classification relying on multiple instance learning, and improve the interpretability in a context of weakly-supervised learning through tile-level feature visualizations and a novel manner of computing explanations of heat-maps. Finally, we apply these methods for cervical cancer screening by using a weakly trained “abnormality” detector for region of interest sampling that guides the training

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
The rise of digital pathology and with it the challenges of histopathology analysis have been the focus of a worldwide effort in the overall fight against cancer. In parallel, the recent success of automated decision-making, machine learning, and specifically deep learning, have revolutionised the basis of research as we know today. In this thesis, we tackle the prediction of treatment response in triple-negative breast cancer patients with two different approaches that reach similar outcomes. The first line of approach, based on the recent success of computer vision, extracts learned features from the data in order to perform classification. The second line of approach forces the information flow to pass through nuclei segmentation. In particular, it allows the incorporation of high-resolution information on to a lower resolution overview. Yet while this approach is more appealing as it is based on the analysis and quantification of a precise biological element, nuclei segmentation is troublesome. While solving the task of nuclei segmentation with deep learning, we propose a new formulation for nuclei segmentation which excels at separating touching objects