Hdr Année : 2025

[HDR] Architectures d’apprentissage profond pour l’analyse d’images médicales : de la modélisation à l’aide au diagnostic

[HDR] Architectures d’apprentissage profond pour l’analyse d’images médicales : de la modélisation à l’aide au diagnostic

Résumé

L’intelligence artificielle, à travers les algorithmes d’apprentissage profond, a transformé le domaine de l’analyse visuelle assistée par ordinateur ces dernières années. Ces algorithmes ont permis d’améliorer significativement les capacités d’extraction et d’interprétation des informations visuelles complexes, ouvrant la voie à des applications innovantes et spécialisées dans le domaine médical. Ces avancées technologiques offrent de nouvelles perspectives pour le diagnostic assisté, la surveillance des pathologies et la découverte thérapeutique, domaines où la fiabilité des modèles développés constitue un enjeu majeur pour leur potentielle intégration future dans les pratiques cliniques. Néanmoins, l’élaboration de tels systèmes se heurte à de multiples obstacles méthodologiques. La nature hétérogène des acquisitions, les artefacts liés aux protocoles d’imagerie et la diversité phénotypique des données représentent des défis importants. S’y ajoutent la rareté des jeux de données annotés par des experts, les enjeux de généralisation des modèles sur des populations variées, ainsi que les exigences d’interprétabilité et de temps de réponse compatibles avec la pratique clinique. Les préoccupations éthiques concernant la confidentialité des informations médicales et la transparence des décisions algorithmiques constituent également des dimensions incontournables de cette problématique. Ce manuscrit synthétise mes contributions scientifiques dans le développement de solutions d’analyse d’images pour la santé de précision. L’accent est mis sur les architectures neuronales spécialisées développées, les stratégies d’apprentissage mises en œuvre et les chaînes de traitement élaborées pour surmonter les verrous identifiés. Quatre applications illustrent ces avancées méthodologiques : premièrement, la caractérisation automatique de sous-types moléculaires en histopathologie oncologique facilitant un diagnostic accessible et orientant le traitement ; deuxièmement, la modélisation tridimensionnelle de structures nucléaires dans des cultures cellulaires sphéroïdales pour le criblage pharmacologique ; troisièmement, l’identification et la classification automatisées d’agents parasitaires dans des préparations microscopiques pour accélérer le diagnostic infectieux ; quatrièmement, l’interprétation d’imagerie endoscopique vétérinaire pour optimiser les protocoles de reproduction bovine. Chaque contribution est validée par des évaluations expérimentales rigoureuses établissant la pertinence des approches proposées face aux méthodes de référence. Ces recherches, menées en collaboration interdisciplinaire entre informaticiens et praticiens médicaux, ont donné lieu à des publications scientifiques internationales et à l’encadrement de quatre thèses de doctorat. Les perspectives ouvertes s’inscrivent dans une démarche vers la médecine personnalisée où les techniques par apprentissage pourraient contribuer à enrichir les capacités décisionnelles des professionnels de santé.

L’intelligence artificielle, à travers les algorithmes d’apprentissage profond, a transformé le domaine de l’analyse visuelle assistée par ordinateur ces dernières années. Ces algorithmes ont permis d’améliorer significativement les capacités d’extraction et d’interprétation des informations visuelles complexes, ouvrant la voie à des applications innovantes et spécialisées dans le domaine médical. Ces avancées technologiques offrent de nouvelles perspectives pour le diagnostic assisté, la surveillance des pathologies et la découverte thérapeutique, domaines où la fiabilité des modèles développés constitue un enjeu majeur pour leur potentielle intégration future dans les pratiques cliniques. Néanmoins, l’élaboration de tels systèmes se heurte à de multiples obstacles méthodologiques. La nature hétérogène des acquisitions, les artefacts liés aux protocoles d’imagerie et la diversité phénotypique des données représentent des défis importants. S’y ajoutent la rareté des jeux de données annotés par des experts, les enjeux de généralisation des modèles sur des populations variées, ainsi que les exigences d’interprétabilité et de temps de réponse compatibles avec la pratique clinique. Les préoccupations éthiques concernant la confidentialité des informations médicales et la transparence des décisions algorithmiques constituent également des dimensions incontournables de cette problématique. Ce manuscrit synthétise mes contributions scientifiques dans le développement de solutions d’analyse d’images pour la santé de précision. L’accent est mis sur les architectures neuronales spécialisées développées, les stratégies d’apprentissage mises en œuvre et les chaînes de traitement élaborées pour surmonter les verrous identifiés. Quatre applications illustrent ces avancées méthodologiques : premièrement, la caractérisation automatique de sous-types moléculaires en histopathologie oncologique facilitant un diagnostic accessible et orientant le traitement ; deuxièmement, la modélisation tridimensionnelle de structures nucléaires dans des cultures cellulaires sphéroïdales pour le criblage pharmacologique ; troisièmement, l’identification et la classification automatisées d’agents parasitaires dans des préparations microscopiques pour accélérer le diagnostic infectieux ; quatrièmement, l’interprétation d’imagerie endoscopique vétérinaire pour optimiser les protocoles de reproduction bovine. Chaque contribution est validée par des évaluations expérimentales rigoureuses établissant la pertinence des approches proposées face aux méthodes de référence. Ces recherches, menées en collaboration interdisciplinaire entre informaticiens et praticiens médicaux, ont donné lieu à des publications scientifiques internationales et à l’encadrement de quatre thèses de doctorat. Les perspectives ouvertes s’inscrivent dans une démarche vers la médecine personnalisée où les techniques par apprentissage pourraient contribuer à enrichir les capacités décisionnelles des professionnels de santé.

Fichier non déposé

Dates et versions

tel-05393052 , version 1 (02-12-2025)

Identifiants

  • HAL Id : tel-05393052 , version 1

Citer

Feryal Windal. [HDR] Architectures d’apprentissage profond pour l’analyse d’images médicales : de la modélisation à l’aide au diagnostic. Physique [physics]. Université de Lille, 2025. ⟨tel-05393052⟩
78 Consultations
0 Téléchargements

Partager

  • More