Intelligence artificielle et apprentissage profond appliqués à la reconnaissance d'images en cytogénétique

Résumé : Introduction : le récent développement de l’apprentissage profond, branche de l’intelligence artificielle, a permis de nombreuses avancées en reconnaissance d’images médicales. Le but de ce travail était d’étudier les possibilités de cette technologie dans le cadre de la cytogénétique. Matériel et méthodes : trois algorithmes (deux publics, Inception et MobileNet, et un, Mannaz, développé dans le cadre de cette étude) ont été testés dans la reconnaissance simple de chromosomes, de manière séparée ou par analyse en sous-groupes, et par rapport aux logiciels commerciaux d’analyse répandus dans les laboratoires, ainsi que dans la reconnaissance d’anomalies de structure. Les images étaient issues d’une base de données de cytogénétique hématologique en bandes R. Résultats : Mannaz obtient les meilleurs résultats (p<0,001) avec une précision de 76,5% pour la reconnaissance des chromosomes de manière séparée et de 72,5% en sous-groupes. Ces performances étaient équivalentes à celles des logiciels commerciaux. Mannaz reconnaît correctement les dérivés 9 et 22 de translocation t(9;22)(q34;q11) dans respectivement 51% et 54% des cas. La reconnaissance des délétions des bras longs du chromosome 5 est un échec. Discussion : les résultats du classement des chromosomes segmentés et de la reconnaissance d’anomalies telles que les dérivés de translocation sont encourageants. L’importance d’une base de données d’images multicentrique permettant de renforcer la sensibilité est discutée et d’autres voies de recherche sont présentées. Conclusion : cette étude met en évidence le potentiel et l’accessibilité pour le biologiste de l’apprentissage profond dans l’automatisation du caryotype conventionnel.
Document type :
Master Thesis
Complete list of metadatas

Cited literature [62 references]  Display  Hide  Download

https://dumas.ccsd.cnrs.fr/dumas-02100870
Contributor : Sabine Longuein <>
Submitted on : Tuesday, April 16, 2019 - 12:16:06 PM
Last modification on : Monday, May 6, 2019 - 1:17:15 AM

File

Petit Alexandra. Thèse d'exer...
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-02100870, version 1

Collections

Citation

Alexandra Petit. Intelligence artificielle et apprentissage profond appliqués à la reconnaissance d'images en cytogénétique. Médecine humaine et pathologie. 2018. ⟨dumas-02100870⟩

Share

Metrics

Record views

17

Files downloads

18