Etudiant : OUBOUAID SAID

Filière : Master Systèmes Intelligents et Décisionnels (MSID)

Encadrant : Pr. AHERRAHROU NOURA

Annèe : 2022

Résumé : Arrière-plan Étant donné que la segmentation des noyaux dans les images histopathologies peut fournir des informations clés pour identifier la présence ou le stade d'une maladie, les images doivent être évaluées avec soin. Cependant, la variation de couleur dans les images histopathologies et diverses structures de noyaux sont deux obstacles majeurs à la segmentation et à l'analyse précises des images histopathologies. Plusieurs méthodes d'apprentissage automatique reposent fortement sur des fonctionnalités artisanales qui présentent des limites en raison du seuillage manuel. Résultats Pour obtenir des résultats robustes, des méthodes basées sur l'apprentissage en profondeur ont été proposées. Il a été prouvé que les réseaux de neurones à convolution profonde (DCNN) utilisés pour extraire automatiquement des caractéristiques à partir de données d'image brutes offrent d'excellentes performances. Inspiré par de telles réalisations, nous proposons une méthode de segmentation des noyaux basée sur les DCNN. Pour normaliser la couleur des images histopathologies, nous utilisons un modèle de normalisation de couleur de mélange gaussien convolution profond qui est capable de regrouper les pixels tout en considérant les structures des noyaux. Pour segmenter les noyaux, nous utilisons Mask R-CNN qui atteint des performances de segmentation d'objets de pointe dans le domaine de la vision par ordinateur. De plus, nous effectuons des inférences multiples en tant qu'étape de post-traitement pour améliorer les performances de segmentation. Nous évaluons notre méthode de segmentation sur deux ensembles de données différents. Le premier ensemble de données se compose d'images histopathologies de divers organes tandis que l'autre consiste d'images histopathologies du même organe. Les performances de notre méthode de segmentation sont Mesurées dans diverses configurations expérimentales au niveau de l'objet et au niveau du pixel. De plus, nous comparons les performances de notre méthode à celles des méthodes de pointe existantes. Les résultats expérimentaux montrent que notre méthode de segmentation des noyaux surpasse les méthodes existantes. Conclusions Nous proposons une méthode de segmentation des noyaux basée sur les DCNN pour les images histopathologies. La méthode proposée qui utilise le masque R-CNN avec normalisation des couleurs et post-traitement d'inférence multiple fournit des résultats de segmentation des noyaux robustes. Notre méthode peut également faciliter les analyses morphologiques des noyaux en aval car elle fournit des caractéristiques de haute qualité extraites d'images histopathologies.