Deep learning pour la détection d’objets peu contrastés

Deep Learning pour la détection d’objets peu contrastés

Utilisation du Deep Learning pour la détection d’objets peu contrastés : Étude de cas pour la detection de glomérules

Qu’est-ce que le Deep Learning ?

Le Deep Learning (également appelé l’apprentissage profond) fait partie de l’ensemble des méthodes de Machine Learning. Il s’agit donc d’une technique permettant aux machines d’apprendre les mêmes compétences que celles de l’Homme. De ce fait, les modélisations faites en Deep Learning s’inspirent largement de la composition du cerveau humain, au point qu’elles sont souvent associées à des « réseaux de neurones ». Cette désignation fait allusion à l’architecture des modèles. On y trouve ainsi plusieurs « couches » de neurones, et chacune d’entre elles est dédiée à l’apprentissage d’une tâche simple. Enfin, c’est la connexion entre l’ensemble de ces neurones qui permet d’apprendre des tâches complexes, telles que la reconnaissance d’objets dans des images.

Pourquoi est-ce si populaire ?

Depuis plusieurs années, le Deep Learning connaît une popularité croissante dans de nombreux domaines, en particulier dans le monde biomédical. En effet, les besoins en computer vision sont de plus en plus présents, mais les technologies d’analyse d’images les plus efficaces ne sont malheureusement pas toujours capables de repérer ce que l’œil humain voit. Par conséquent, la puissance des réseaux neuronaux réside dans le fait qu’ils peuvent surpasser les humains en termes de reconnaissance d’objets dans de nombreux domaines.

Comment l’utilise-t-on chez QuantaCell ?

En tant qu’experts en analyse de données et en imagerie biomédicale, QuantaCell utilise le Deep Learning et les réseaux de neurones pour résoudre les différents problèmes rencontrés par nos collaborateurs. Les solutions proposées sont adaptées à de nombreux champs de la biologie (histologie, études cliniques, biologie cellulaire, …) De plus, nous pouvons concevoir des solutions logicielles intégrant du Deep Learning dans une interface ergonomique.

Étude de cas : Aide à la décision pour la détection de glomérules.

QuantaCell fournit un outil d’aide à la décision pour l’utilisateur pour la détection de glomérules sur des images histologiques. Dans cet exemple, un total de 20 lames virtuelles sont utilisées. L’hématoxyline-éosine est utilisée pour colorer les noyaux (H) et un biomarqueur (E) d’intérêt. L’objectif est de détecter les glomérules sans marqueurs spécifiques afin de conserver la coloration d’un autre biomarqueur.

Cette tâche est particulièrement difficile à effectuer car il n’y a presque aucun contraste entre l’échantillon et l’objet à détecter. De plus, les glomérules peuvent apparaître plus foncés ou plus clairs que les tissus voisins. Ainsi, c’est la forme et les positions des noyaux qui permettent à l’expert de distinguer les glomérules sans coloration. Cependant, les algorithmes classiques de traitement d’image ne donnent aucuns résultats satisfaisants.

Nous avons conçu un outil utilisant le Deep Learning pour aider les pathologistes à localiser rapidement les glomérules. Cette tâche s’effectue grâce à un réseau de neurones convolutifs.

À des fins de validation, un pathologiste a défini dans toutes les lames les régions glomérulaires à l’aide de Hamamatsu Viewer. Le réseau de neurones est ensuite créé pour reconnaître les glomérules de la coloration à l’hématoxyline seulement (la séparation des taches est obtenue en utilisant la déconvolution des couleurs). Il est entraîné sur la moitié des lames, et la précision est mesurée dans l’autre moitié des lames.

Les résultats du réseau reflètent une probabilité de présence de glomérule. Les «pics de probabilité» correspondent à des zones où l’on peut s’attendre à observer des glomérules, le pathologiste peut alors affiner la forme des glomérules.

En appliquant un seuil d’intensité à cette prédiction, la localisation des glomérules est donnée avec une précision acceptable. Les emplacements proposés sont facilement écrits sous forme de fichiers ndpi.ndpa tels que les pathologistes peuvent facilement valider et dessiner des régions dans Hamamatsu Viewer.

Comme il existe une certaine part de subjectivité dans la détection des glomérules, le réseau pourra également détecter certains cas ambigus. L’utilisateur a ensuite la possibilité de décider s’il s’agit d’un faux positif ou non.

Conclusion
Cet outil utilise le Deep Learning pour guider l’expert afin de détecter rapidement des glomérules sur de grands échantillons. 83% des glomérules sont correctement prédits sur l’ensemble de l’échantillon. Par ailleurs, grâce à l’outil de prédiction, le pathologiste découvre 18% de glomérules supplémentaires par rapport à une simple inspection visuelle.