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) Rabilloud, Noémie - (2025-12-08) / Université de Rennes Deep learning applied to cancer prostate histology slides : diagnosis, prediction of bio-chemical recurrence and genetic mutations Accéder au document :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Pécot, Thierry; Acosta, Oscar Discipline : Signal, image, vision Laboratoire :  Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATISSE Classification : Sciences de l'ingénieur Mots-clés : Apprentissage profond, Cancer de prostate, Histologie, Prédiction, Encodage par lame Apprentissage profond Prostate -- Cancer Histologie Traitement d'images -- Techniques numériques Imagerie médicale

Résumé : 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. Abstract : 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.