Vidéo : caractérisation des biopsies mammaires

Alberto Velasco Mata, étudiant récompensé lors de la deuxième édition des prix Turing Machine. Prix ​​Cojali SL du meilleur mémoire de maîtrise, intitulé : "Caractérisation des régions d'intérêt dans les images microscopiques de biopsies mammaires“, tutoré par Eusebio Angulo Sánchez-Herrera et María Gloria Bueno García. Ensuite, vous pouvez voir dans la vidéo suivante un résumé du travail réalisé par Alberto

Résumé

L'application de techniques d'apprentissage automatique pour la détection et la classification des régions tumorales dans les biopsies de tissu mammaire, y compris les zones cancéreuses, représente une réduction des coûts et facilite le diagnostic des experts. Les détecteurs existants dans ce domaine d'application effectuent généralement une évaluation générale des échantillons fournis, en concentrant leur attention uniquement sur leurs régions tumorales. Cependant, d'autres régions qui se trouvent dans l'environnement cellulaire de la tumeur pourraient montrer des signes de cancer. L'étude de ce facteur peut être utile aux experts en raison des particularités du processus de biopsie, car il peut arriver qu'aucune zone cellulaire n'y apparaisse. Une détection prenant en compte les caractéristiques du contexte tumoral pourrait représenter une amélioration par rapport aux méthodes actuelles. De plus, il est nécessaire de considérer l'absence habituelle de données étiquetées en raison de la difficulté d'annoter des zones spécifiques de tissu et de la variété des échantillons histologiques.

L'étude de la façon dont la classification des différents types de tissus affecte la détection, compte tenu d'un volume de données réduit, implique qu'il sera nécessaire de proposer des modèles dont le point fort est la distinction entre des images à forte similitude entre elles, comme c'est le cas des tissus .

Cet article présente des modèles d'apprentissage profond basés sur la technique connue sous le nom de apprentissage contrasté, dans le but d'analyser et de comparer les performances obtenues lors de la classification de différents types de tissus dans les biopsies mammaires. De plus, la quantité de données nécessaires au bon fonctionnement de ces modèles est analysée et des techniques sont appliquées pour éviter de les sur-ajuster.