SCD-Universite de Rennes 1 Deep learning applied to cancer prostate histology slides : diagnosis, prediction of bio-chemical recurrence and genetic mutations Apprentissage profond pour les lames d’histologie du cancer de la prostate : caractérisation, prédiction de récidive biochimique et de mutations génétiques Apprentissage profondCancer de prostateHistologiePrédictionEncodage par lame Deep learningProstate CancerHistologyPredictionSlide encoding Apprentissage profond Prostate -- Cancer Histologie Traitement d'images -- Techniques numériques Imagerie médicale La pathologie numérique est devenue un outil puissant pour analyser la richesse des informations biologiques contenues dans les lames d'histologie numérisées. Au-delà d'être la référence en matière de diagnostic du cancer de la prostate, l'histologie peut fournir des informations utiles à la prédiction pour améliorer les soins et les traitements personnalisés. La numérisation des lames d'histologie en images entières (WSI, pour Whole-Slide Images) permet l'application de techniques avancées de vision par ordinateur et d'intelligence artificielle. Cette thèse applique des algorithmes d'intelligence artificielle aux WSI dans deux domaines cliniques distincts liés au cancer de la prostate. La première application se concentre sur la prédiction de mutations dans les gènes impliqués dans la réparation de recombinaison homologue (HRR) de l'ADN en utilisant des WSI. La seconde aborde la prédiction de la récidive biochimique (BCR) après radiothérapie en intégrant les WSI avec les images obtenues par Résonance Magnétique et les données cliniques. Les résultats de ce travail démontrent l'utilité potentielle de la pathologie numérique pour intégrer des informations utiles issues des images d'histologie en clinique, permettant ainsi des traitements plus ciblés et mieux personnalisés. La pathologie numérique est devenue un outil puissant pour analyser la richesse des informations biologiques contenues dans les lames d'histologie numérisées. Au-delà d'être la référence en matière de diagnostic du cancer de la prostate, l'histologie peut fournir des informations utiles à la prédiction pour améliorer les soins et les traitements personnalisés. La numérisation des lames d'histologie en images entières (WSI, pour Whole-Slide Images) permet l'application de techniques avancées de vision par ordinateur et d'intelligence artificielle. Cette thèse applique des algorithmes d'intelligence artificielle aux WSI dans deux domaines cliniques distincts liés au cancer de la prostate. La première application se concentre sur la prédiction de mutations dans les gènes impliqués dans la réparation de recombinaison homologue (HRR) de l'ADN en utilisant des WSI. La seconde aborde la prédiction de la récidive biochimique (BCR) après radiothérapie en intégrant les WSI avec les images obtenues par Résonance Magnétique et les données cliniques. Les résultats de ce travail démontrent l'utilité potentielle de la pathologie numérique pour intégrer des informations utiles issues des images d'histologie en clinique, permettant ainsi des traitements plus ciblés et mieux personnalisés. Electronic Thesis or DissertationText en application/pdf1 : 180121 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/64de64a3-3f8c-4f5b-b0bf-418ae79155a0 Rabilloud Noémie 1998-07-05 FR 29683873X noemie.rabilloud@gmail.com 2025URENS101 http://www.theses.fr/2025URENS101 2025-12-08 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiPécotThierryintervenant_1146155009AcostaOscarintervenant_2082022119Uguen Arnaudintervenant_3135210119PécotThierryintervenant_1146155009AcostaOscarintervenant_2082022119LetortGaëlleintervenant_422372484XKammerer-JacquetSolène-Florenceintervenant_5224076256CrevoisierRenaud deintervenant_611639143XSchickUlrikeintervenant_7236010565WalterThomasintervenant_8241957796 MATISSEecoleDoctorale_1 267602553 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:620 PécotThierryAcostaOscarUguen ArnaudLetortGaëlleKammerer-JacquetSolène-FlorenceCrevoisierRenaud deSchickUlrikeWalterThomasUniversité de RennesMATISSE Laboratoire de Traitement du Signal et de l'Image ASCII PDF 184443876