Computational approach for the diagnosis of mycetoma causative agents using histopathological microscopic images - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Computational approach for the diagnosis of mycetoma causative agents using histopathological microscopic images

Méthodes d'analyse d'images histopathologiques pour le diagnostic automatique du mycétome

Résumé

Mycetoma is a chronic, neglected infectious disease endemic in tropical and subtropical areas that may lead to severe disability. By considering the causative agents, mycetoma is classified into eumycetoma (fungus) and actinomycetoma (bacteria). The diagnosis strategy relies on the clinical presentation and the identification of mycetoma causative agents. Accurate identification of the causative agents is a priority for mycetoma diagnosis. The current identification tools include molecular techniques, cytology, histology and grain culturing which is the gold standard tool. Molecular techniques are the most reliable tool, but it is expensive to be used in endemic areas, while culture is time-consuming, difficult and requires expert personnel. Cytology and histology are simple, rapid, and cheap tools. However, cytology is far from being satisfactory in terms of performance because it tends to give false positive results. Although histopathology is considered to be the optimal tool to be used in endemic areas, it requires expert pathologists for conclusive identification, which are lacking in endemic rural areas.With the advent of digital pathology, automated image analysis algorithms can be used to solve this issue. The main aim of this thesis is to develop a novel computational diagnostic method for mycetoma diagnostic using histopathological microscopic images. Firstly, we create the first database for mycetoma microscopic images. This issue arises from the need for a dataset to develop a computation model. Then, we present a novel computation method to semi-automatically discriminate the mycetoma causative agents. The method is based on the radiomics analysis of manually segmented mycetoma grains and Partial Least Square-Discrimination Analysis (PLS-DA). The presented model can play a fundamental role in the non-specialised clinical centres because it reaches an accuracy comparable to expert pathologists. Lastly, we introduce an automated segmentation method for mycetoma grains. The segmentation method is Convolution Neural Network (CNN) model based on U-net architecture. It allows the full automation of the discrimination approach. In conclusion, this thesis presents both automated diagnostic methods for mycetoma histopathological microscopic images and semi-automated differentiate methods for mycetoma grains.
Le mycétome est une maladie infectieuse chronique négligée dans les régions tropicales et subtropicales qui peut entraîner une invalidité grave. En considérant les agents responsables, le mycétome est classé en eumycétome (champignon) et actinomycétome (bactérie). La stratégie diagnostique repose sur la présentation clinique et l'identification des agents responsables du mycétome. L'identification précise des agents responsables est une priorité pour le diagnostic du mycétome. Les outils d'identification actuels comprennent les techniques moléculaires, la cytologie, l'histologie et la culture des grains qui est l'outil de référence. Les techniques moléculaires sont l'outil le plus fiable, mais il est coûteux et donc peu utilisé dans les zones endémiques, tandis que la culture est longue, difficile et nécessite un personnel expert. La cytologie et l'histologie sont des outils simples, rapides et bon marché. Cependant, la cytologie est loin d'être satisfaisante en termes de performances car elle a tendance à donner des résultats faussement positifs. Bien que l'histopathologie soit considérée comme l'outil optimal à utiliser dans les zones endémiques, elle nécessite un pathologiste expert pour une identification concluante qui fait défaut dans les zones rurales endémiques. Avec l'avènement des approches numériques, des algorithmes automatisés d'analyse d'images peuvent être utilisés comme solution à ce problème. L'objectif principal de cette thèse est de développer une nouvelle méthode diagnostique de calcul pour le diagnostic du mycétome à l'aide d'images microscopiques histopathologiques. Premièrement, nous créons la première base de données d'images microscopiques de mycétomes. Cette contribution découle de la nécessité d'un ensemble de données pour le développement de modèles de calcul. Ensuite, nous présentons une nouvelle méthode de calcul pour discriminer semi-automatiquement les agents responsables du mycétome. La méthode est basée sur l'analyse radiomique de grains de mycétomes segmentés manuellement et l'analyse de discrimination des moindres carrés partiels (PLS-DA). Le modèle présenté peut jouer un rôle fondamental dans un centre clinique non spécialisé car il atteint une précision comparable à celle des pathologistes experts. Enfin, nous introduisons une méthode de segmentation automatisée pour les grains de mycétome. La méthode de segmentation est un modèle de type Convolution Neural Network (CNN) basé sur l'architecture U-net. Il permet l'automatisation et la rapidité des méthodes de discrimination. En conclusion, cette thèse présente à la fois une méthode automatisée de diagnostic des images microscopiques histopathologiques du mycétome et une méthode semi-automatisée de différenciation des grains de mycétome.
Fichier principal
Vignette du fichier
2023ORLE1006_va.pdf (5.86 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04244540 , version 1 (16-10-2023)

Identifiants

  • HAL Id : tel-04244540 , version 1

Citer

Hyam Omar Abbass Ali. Computational approach for the diagnosis of mycetoma causative agents using histopathological microscopic images. Medical Imaging. Université d'Orléans; University of Khartoum, 2023. English. ⟨NNT : 2023ORLE1006⟩. ⟨tel-04244540⟩
48 Consultations
38 Téléchargements

Partager

Gmail Facebook X LinkedIn More