Analyse automatique d'images histopathologiques de tissus tumoraux micro-disséqués

Du fait de la grande variabilité intra et inter-patients des dosages et substances efficaces, déterminer un traitement pertinent pour un patient atteint de cancer est toujours délicat. Ainsi, la piste de la médecine personnalisée est très prometteuse, notamment les méthodes consistant à observer ex vivo la réponse à différents traitements de tissus tumoraux d’un patient. Néanmoins, de telles méthodes exigent des modèles pertinents, viables, efficaces et simples à mettre en place. C’est dans cette perspective que vient s’inscrire le modèle des tissus micro-disséqués, modèle correspondant à un dispositif microfluidique pour la culture de tissus tumoraux, qui serait compatible avec des analyses histopathologiques à haut rendement. Les échantillons qui y sont cultivés sont ensuite imagés par immunofluorescence puis les images résultantes sont analysées manuellement, image par image. L’aire de recouvrement des marqueurs fluorescents utilisés est alors déterminée afin d’analyser les tissus et leur nature. Cependant, l'analyse des images est extrêmement longue et constitue un facteur limitant du modèle. L’objectif de ce projet est donc d’automatiser et accélérer le processus d’analyse d’images, en mettant notamment à profit des techniques d’apprentissage machine, afin d’améliorer l'utilisabilité du modèle. Ce projet se base ainsi sur près de 1000 images d’échantillons, de 3 lignées cellulaires différentes, issues de xénogreffes de souris. Il explore différents modèles, sur plusieurs opérations distinctes. Ainsi, une sélection des échantillons pertinents est réalisée par le biais d’une forêt aléatoire avec un score de 95% d’exactitude. Par la suite, un algorithme utilisant des opérations de morphologie mathématique et un seuillage d’Otsu permettent de segmenter l’enveloppe des échantillons avec un score F1 de 0.97. Une machine par vecteurs de support régressive ainsi qu’un réseau de neurones convolutif UNet-MobileNet ont été testées. Afin d’entraîner le réseau de neurones, un procédé de découpage des échantillons en petites régions ainsi qu’un procédé d’augmentation des données ont été mis en place. Il s’agit ainsi d’augmenter le nombre d’images disponibles et d’améliorer la généralisation du modèle. Les paramètres ont ensuite été optimisés par essai/erreur. Le réseau de neurones entraîné présente des performances assez irrégulières, bien qu’intéressantes pour un certain nombre d’images. En particulier, les meilleures performances obtenues correspondent à un score F1 de 0,61 et une exactitude de 88,1%. Il resterait donc encore du travail d’optimisation de paramètres à réaliser.