2021/02/21 by Wemmert, Cedric, Weber, Jonathan, Forestier, Germain
#Apprentissage profond #Deep learning #analyse d’images histopathologiques #histopathological image analysis
paper · doi:10.25830/afh.rfh.2020.32.213.238
L’anatomopathologie remonte au 19ème siècle. Depuis, le matériel n’a cessé d’évoluer, mais l’Tmil expert du pathologiste reste incontournable. De même, le processus complet (préparation du tissu et des lames, coloration, contrôle qualité) consiste encore en beaucoup d’étapes manuelles. Grâce à l’avènement récent de scanners numériques à bon rendement, les lames d’histopathologie tissulaire peuvent maintenant être numérisées et stockées sous forme d’images numériques. Avec la disponibilité et l’analyse d’un ensemble beaucoup plus vaste de variables combinées à des techniques d’imagerie et d’analyse sophistiquées, le paradigme traditionnel du pathologiste et de la microscopie pourrait rapidement être remplacé par la pathologie numérique, s’appuyant sur une visualisation sur écran des coupes de tissus numérisées et une analyse combinant un pathologiste et un système d’aide au diagnostic informatisé. En termes d’analyse d’images, d’immenses progrès ont aussi été faits récemment, notamment les travaux de Lecun et al. sur les réseaux de neurones convolutionnels et surtout le développement de réseaux de neurones de très grandes tailles (apprentissage profond) qui révolutionnent le domaine. En effet, ceux-ci ont surpassé l’ensemble des méthodes de traitement d’images existantes dans la plupart des domaines (segmentation, détection d’objets, classification). L’ensemble des méthodes actuelles appliquées à l’analyse d’images histopathologiques sera présenté ainsi que les enjeux et défis technologiques futurs de cette discipline.