000 06397clm0 2200745 4500
003 http://www.sudoc.fr/242445462
005 20200924043844.0
009 242445462
033 _ahttp://www.theses.fr/2019PSLEM051
090 _9187799
100 _a20200218d2019 k y0frey50 ba
101 0 _dfre
_deng
135 _adr|||||||||||
181 _6z01
_ctxt
_2rdacontent
181 1 _6z01
_ai#
_bxxxe##
182 _6z01
_cc
_2rdamedia
182 1 _6z01
_ab
183 1 _6z01
_aceb
_2rdacarrier
200 1 _aDu phénotypage cellulaire à la classification de lames digitales
_eUne application au traitement du cancer du sein triple-négatif
_fPeter Naylor
_gsous la direction de Jean-Philippe Vert et de Thomas Walter
214 1 _d2019
230 _aDonnées textuelles
304 _aTitre provenant de l'écran-titre
314 _aEcole(s) Doctorale(s) : Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
314 _aPartenaire(s) de recherche : Centre de bio-informatique (Fontainebleau, Seine et Marne) (Laboratoire), École nationale supérieure des mines (Paris) (établissement de préparation de la thèse)
314 _aAutre(s) contribution(s) : Etienne Decencière (Président du jury) ; Jean-Philippe Vert, Thomas Walter, Charles Kervrann, Marick Laé (Membre(s) du jury) ; Valery Naranjo, Isabelle Bloch (Rapporteur(s))
328 0 _bThèse de doctorat
_cBio-informatique
_eParis Sciences et Lettres (ComUE)
_d2019
330 _aLe 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.
330 _aThe 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.
337 _aConfiguration requise : un logiciel capable de lire un fichier au format : PDF
541 _aFrom cellular phenotypes to the analysis of whole slide images
_eApplication to treatment response in triple-negative breast cancer
_zeng
606 _aApprentissage profond
_2rameau
606 _aSein
_xCancer
_2rameau
606 _aVision par ordinateur
_2rameau
606 _aHistopathologie
_2rameau
606 _aPrise de décision
_xModèles mathématiques
_2rameau
606 _aApprentissage automatique
_2rameau
606 _aBioinformatique
_2rameau
608 _3027253139
_9429003
_aThèses et écrits académiques
_2rameau
676 _a570.15
686 _a570
_2TEF
700 1 _3241957206
_9454366
_aNaylor
_bPeter
_f1992-....
_4070
701 1 _3122407385
_9391549
_aVert
_bJean-Philippe
_f1973-....
_4727
_4555
701 1 _3241957796
_9454367
_aWalter
_bThomas
_4727
_4555
701 1 _3087172941
_9405897
_aDecencière
_bEtienne
_4956
701 1 _3228524563
_9450445
_aNaranjo
_bValery
_f19..-....
_4958
701 1 _3031277861
_9449193
_aBloch
_bIsabelle
_f19..-....
_cmathématicienne, spécialiste du traitement des images
_4958
701 1 _3103581162
_9454356
_aKervrann
_bCharles
_f19..-....
_cingénieur-chercheur en informatique
_4555
701 1 _3079827861
_9454355
_aLaé
_bMarick
_f1972-....
_4555
711 0 2 _3182292592
_aUniversité de Recherche Paris Sciences et Lettres
_4295
711 0 2 _3232957029
_aEcole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
_cParis
_4996
711 0 2 _3152350985
_aCentre de bio-informatique
_cFontainebleau, Seine et Marne
_4981
711 0 2 _3026375249
_aÉcole nationale supérieure des mines
_cParis
_4985
856 4 _qPDF
_s248370355
_uhttp://www.theses.fr/2019PSLEM051/document
_zAccès au texte intégral
856 4 _uhttp://www.theses.fr/2019PSLEM051/abes
856 4 _uhttps://pastel.archives-ouvertes.fr/tel-02470754
909 _aTHES
_bTT
930 _5751069906:674300076
_b751069906
_jg
991 _5751069906:674300076
_aexemplaire créé automatiquement par STAR