Détection en temps réel des glomérules en pathologie rénale
Résumé
Le domaine de la pathologie numérique a émergé avec l'introduction des scanners de lames et a conduit au développement de nouveaux outils d'analyse de lames histopathologiques.
La disponibilité de la représentation numérique des lames a motivé le développement de méthodes issues de l'intelligence artificielle pour identifier automatiquement les structures microscopiques afin d'accompagner les pathologistes dans leur diagnostic.
Contrairement à de nombreuses approches existantes visant la détection de structures microscopiques sur des images statiques à un niveau de grossissement donné et fixe, nos travaux se concentrent sur la détection en temps réel des structures à différentes échelles.
En effet, la détection en temps réel à différentes échelles apporte des défis supplémentaires, mais imite également mieux la façon dont les pathologistes travaillent, car ils déplacent continuellement les lames et changent le niveau de grossissement pendant leur analyse.
Dans cet article, nous nous concentrons sur la pathologie rénale et plus particulièrement sur la détection en temps réel des glomérules à différentes échelles.
Notre méthode est basée sur le modèle de détection d'objets d'apprentissage profond YOLOv3 pré-entraîné sur le jeu de données COCO et affiné pour détecter les glomérules.
Nous étudions les avantages de l'utilisation d'images multi-échelles pour améliorer la capacité du réseau à détecter les glomérules à des niveaux de grossissement variables en temps réel.
Origine | Fichiers produits par l'(les) auteur(s) |
---|