Weakly Supervised Anomaly Detection Pipeline for Histology Images of Placental Villi

Le placenta est un organe central dans le développement du foetus. Malgré les directives soulignant l’importance d’avoir une analyse plus systématique des placentas, cet organe n’est que grossièrement examiné après la naissance. Ceci est principalement dû à la longue tâche d’analyse manuelle et le niveau de compétences requis pour effectuer une telle tâche. Les avancées réalisées dans les domaines de la pathologie numérique à l’aide des techniques d’apprentissage profond, ont permis l’utilisation des ordinateurs dans le traitement et le diagnostic des lames d’histologie et ceci dans de nombreuses applications comme le cancer du sein et de la prostate. Il existe très peu de publications sur le placenta qui utilisent l’apprentissage profond. La principale raison est le manque de données annotées pour les classes de pathologies qui sont plus rares que les données de tissus sains. Le paradigme de détection des anomalies est une voie prometteuse pour le diagnostic assisté par ordinateur des pathologies du placenta. Cette étude propose d’abord une méthode pour segmenter la région des villosités dans chaque image de microscope. Ensuite, nous proposons une méthode afin de générer des sous-imagettes à très haute résolution à l’intérieur du tissu placentaire; ces imagettes ayant une résolution plus adaptée aux modèles d’apprentissage machine et d’apprentissage profond. Deuxièmement, nous proposons une méthode d’extraction des caractéristiques profondes en utilisant une tâche connexe de classification. Enfin, nous avons entraîné un modèle profond de détection d’anomalies uniquement sur des images obtenues à partir de tissus sains et nous avons utilisé le score d’anomalie combiné pour détecter les lames pathologiques. Nous avons obtenu une aire sous la courbe ROC de 67%. Le score d’anomalie n’était pas statistiquement significatif pour distinguer entre la classe normale et la classe anormale. Nous avons attribué ceci à la variabilité inhérente du tissu villositaire en raison de l’hétérogeniété du placenta qui continue à évoluer tout au long d’une grossesse. Cette variabilité est plus significative que les subtiles différences entre le tissu sain et pathologique. Malgré nos résultats peu concluants pour la détection d’anomalies, nous pensons que cette étude apporte des contributions significatives à la recherche sur le placenta. L’un des apport est la segmentation automatique de la région des villosités à basse résolution et ce en utilisant très peu d’annotations. En effet, nous avons atteint un score DICE de 93,1% qui est du même ordre de grandeur que la variabilité inter opérateurs. Nous avons généré une base de données de sous-imagettes à haute résolution dans la région des villosités ainsi qu’à l’intérieur de la région de la plaque choriale. Cette base contient plus de 13 000 imagettes de dimensions 512 × 512 qui pourraient être utilisées pour de futures études. Nous avons également comparé différents extracteurs de représentation sur cette base de données, le KimiaNet et le ResNet18. Le ResNet18 proposé dans cette étude a surpassé le KimiaNet avec un score F1 de 95,0 % contre 88,5% respectivement dans une tâche de classification des imagettes villositaires versus choriales. De plus, nous avons développé un outil pour la visualisation et l’interprétation de l’espace des caractéristiques profondes extraites à l’aide de ces modèles. Nous avons découvert une tendance de regroupement des imagettes partagant des densités et des niveaux de maturation des villosités dans la même région dans l’espace de représentation.