Approches multiéchelles pour la segmentation de très grandes images : application à la quantification de biomarqueurs en histopathologie cancérologique. - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2009

Multiscale approaches to segmentation very large images: Application to the quantification of biomarkers histopathology Oncology.

Approches multiéchelles pour la segmentation de très grandes images : application à la quantification de biomarqueurs en histopathologie cancérologique.

Résumé

Viewing and analyzing automatically sections of cancer tissue are major challenges to progress in the understanding of cancer development and to discover new indicators of response to therapy. The new microscopical scanners provide an essential assistance by supplying high-resolution color images of the whole histological slide. This allows us to overcome the issue of the distribution heterogeneity of the markers which have to be quantified. The size of these images, so-called virtual slides, can reach several gigabytes. The aim of this thesis is to design and to implement a segmentation method in order to isolate and to characterize the various stromal compartments on an ovarian carcinoma virtual slide. The two main difficulties to overcome are the size of images, which prevents us from processing them at once, and the choice of criteria to differentiate the stromal compartments. To address these problems, we developed a generic segmentation framework which combines a smart fragmentation of the image to a characterization of each stromal compartment, regarded as a texture. This characterization is based on a multiscale modeling of textures thanks to a hidden Markov tree model, applied to the wavelet decomposition coefficients. Rather than taking into account all types of stromal compartments at once, we chose to transform the multiclass problem into a set of binary problems. We also analyzed the influence of hyperparameters on segmentation (color representation, wavelet base and order and the number of resolution levels included in the analysis), which allowed us to select the most appropriate classifiers. Several methods of the best classifier decision combinations were then studied. The method was tested on more than twenty virtual slides. To assess the segmentation results, we have taken advantage of a testing protocol based on a stereological approach. Results on various test sets (synthetic images, small images, real images) are presented and discussed. The results obtained on virtual slides are promising, notably if we consider the variability of samples and the difficulty to identify precisely a compartment, even for an expert : about 60% of points are well classified (between 35 % and 80 % according to the slides).
Visualiser et analyser automatiquement des coupes fines de tumeurs cancéreuses sont des enjeux majeurs pour progresser dans la compréhension des mécanismes de la cancérisation et mettre en évidence de nouveaux indicateurs de réponse au traitement. Les nouveaux scanners microscopiques apportent une aide essentielle en fournissant des images couleur haute résolution de la totalité des lames histologiques. Ceci permet de s'affranchir de l'hétérogénéité de distribution des marqueurs à quantifier. La taille de ces images, appelées lames virtuelles, peut atteindre plusieurs GigaOctets. L'objectif de cette thèse est de concevoir et d'implémenter une méthode de segmentation permettant de séparer les différents types de compartiments stromaux présents sur une lame virtuelle de carcinome ovarien. Les deux principales difficultés à surmonter sont la taille des images, qui empêche de les traiter en une seule fois, et le choix de critères permettant de différencier les compartiments stromaux. Pour répondre à ces problèmes, nous avons développé une méthode générique de segmentation multiéchelle qui associe un découpage judicieux de l'image à une caractérisation de chaque compartiment stromal, considéré comme une texture. Cette caractérisation repose sur une modélisation multiéchelle des textures par un modèle d'arbre de Markov caché, appliqué sur les coefficients de la décomposition en ondelettes. Plutôt que de considérer tous les types de compartiments stromaux simultanément, nous avons choisi de transformer le problème multiclasse en un ensemble de problèmes binaires. Nous avons également analysé l'influence d'hyperparamètres (représentation couleur, type d'ondelettes et nombre de niveaux de résolutions intégrés à l'analyse) sur la segmentation, ce qui nous a permis de sélectionner les classifieurs les mieux adaptés. Différentes méthodes de combinaison des décisions des meilleurs classifieurs ont ensuite été étudiées. La méthode a été testée sur une vingtaine de lames virtuelles. Afin d'évaluer les résultats de la segmentation, nous avons mis en œuvre un protocole de tests fondé sur une approche stéréologique. Les résultats sur différents jeux de tests (images synthétiques, images de petite taille, images réelles) sont présentés et commentés. Les résultats obtenus sur les lames virtuelles sont prometteurs, compte tenu de la variabilité des échantillons et de la difficulté, pour un expert, à identifier parfois très précisément un compartiment : environ 60% des points sont correctement classés (entre 35% et 80% selon les lames).
Fichier principal
Vignette du fichier
These-Nicolas-Signolle-2009.pdf (20.64 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01073319 , version 1 (09-10-2014)

Identifiants

  • HAL Id : tel-01073319 , version 1

Citer

Nicolas Signolle. Approches multiéchelles pour la segmentation de très grandes images : application à la quantification de biomarqueurs en histopathologie cancérologique.. Traitement du signal et de l'image [eess.SP]. Université de Caen, 2009. Français. ⟨NNT : ⟩. ⟨tel-01073319⟩
177 Consultations
682 Téléchargements

Partager

Gmail Facebook X LinkedIn More