Vidéo | Meilleur TFG - Identification du cancer du sein
El trabajo titulado: «Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama», desarrollado por Elena María Ruiz Izquierdo y dirigido por Jesús Salido Tercero y María Gloria Bueno García», fue uno de los Trabajos Fin de Estudios (TFE) premiados en las 2ª edición de los premios Máquina de Turing. Puedes ver un resumen del trabajo a través del siguiente vídeo:
Résumé:
L'intelligence artificielle est une technologie qui s'est progressivement intégrée à nos vies. Notamment, Computer Vision se distingue par son utilisation dans divers domaines tels que : la sécurité, la navigation automatique, la médecine, etc. Elle est ainsi devenue l'une des disciplines montantes du moment. L'application de cette technologie dans le domaine de la médecine a permis de grandes avancées, en aidant au diagnostic et à l'analyse des maladies, en réduisant les coûts et en rationalisant les processus.
Le but de ce projet est la classification d'images multispectrales de biopsies de tissu mammaire à l'aide de réseaux de neurones convolutifs qui permettent de détecter le tissu tumoral et de discriminer les échantillons tumoraux des échantillons non tumoraux. Pour cela, des images multispectrales d'échantillons histologiques complets de tissu mammaire ont été utilisées, prises dans une gamme de 425nm à 697nm dans un intervalle de 4nm, ce qui fait un total de 69 longueurs d'onde. Grâce à ces prélèvements, il est possible d'identifier et de caractériser la carte de la zone tumorale et de ses différents tissus. Des images de préparations ou d'échantillons histologiques non colorés et colorés par des biomarqueurs ont été utilisées à des fins de comparaison.
Les images des échantillons sans coloration ont été acquises à différentes longueurs d'onde avec un microscope optique disponible avec une caméra hyperspectrale. Pour cette raison, une analyse a été effectuée pour déterminer si elles fournissent des informations supplémentaires à celles obtenues avec des images acquises avec des caméras courantes et, en outre, s'il est possible de classer ces images en tissu malin et bénin. En conséquence, la comparaison entre les modèles de classification mis en œuvre avec les images multispectrales est présentée, pour conclure lequel d'entre eux obtient une performance plus élevée avec un taux de réussite plus proche du modèle de classification des images de préparations colorées.
La création d'un classificateur d'image de tissu sans coloration avec aucun biomarqueur éliminera la variabilité dérivée de la préparation et de l'interprétation des échantillons, évitant également son coût élevé. Afin de valider ultérieurement ces techniques avec la méthodologie actuelle basée sur des échantillons colorés, plusieurs méthodes de coloration numérique ont été mises en œuvre en appliquant des techniques d'apprentissage en profondeur. La modélisation de ces données permettra également de progresser dans l'analyse des interactions structurales au niveau cellulaire et tissulaire.