{"id":22497,"date":"2021-01-25T12:08:22","date_gmt":"2021-01-25T12:08:22","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=22497"},"modified":"2024-09-20T17:45:39","modified_gmt":"2024-09-20T16:45:39","slug":"how-did-we-use-computer-vision-to-help-medical-experts-diagnose-follicular-lymphoma","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/how-did-we-use-computer-vision-to-help-medical-experts-diagnose-follicular-lymphoma\/","title":{"rendered":"Comment avons-nous utilis\u00e9 la vision par ordinateur pour aider les experts m\u00e9dicaux \u00e0 diagnostiquer le lymphome folliculaire ?"},"content":{"rendered":"

<\/span><\/a><\/span>

Lisez notre article sur<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Auteur<\/h2><\/div>\"Image\"

Yague THIAM<\/h3><\/div>

Scientifique senior Data \u00e0 Artefact<\/p>\n<\/div><\/div><\/div><\/div><\/div>

14 d\u00e9cembre 2020
\nAvec l'introduction des permissions opt-in pour les applications, iOS 14 rendra plus difficile pour les marques de cibler les consommateurs \u00e0 un niveau individuel et de mesurer les r\u00e9sultats des activit\u00e9s de marketing. Bobby Gray, responsable de l'analyse et du marketing Data chez Artefact, examine l'impact et explique comment les marques peuvent r\u00e9agir en utilisant first-party data.<\/p>\n<\/div>

<\/div><\/div>
<\/div>
<\/div><\/div>
<\/div><\/p><\/div>\n<\/div><\/div><\/div><\/div><\/div>

Introduction<\/h2><\/div>

Ce projet fait partie de la contribution de Artefact \u00e0 Tech for Good. Le projet a \u00e9t\u00e9 men\u00e9 en collaboration avec l'Institut Carnot CALYM, un consortium d\u00e9di\u00e9 \u00e0 la recherche partenariale sur le lymphome, et Microsoft.<\/p>\n

L'Institut Carnot CALYM a lanc\u00e9 \u00e0 l'automne 2019 un programme structurant visant \u00e0 mettre en place une feuille de route pour optimiser la valorisation et l'exploitation du data issu de la recherche clinique, translationnelle et pr\u00e9clinique men\u00e9e par les membres du consortium depuis plus de 20 ans. Ce projet, propos\u00e9 par le Pr Camille Laurent (LYSA, IUCT, CHU Toulouse, France) et le Pr Christiane Copie (LYSARC, Pierre-B\u00e9nite, France), tous deux membres de l'Institut Carnot CALYM, s'inscrit dans ce programme structurant.<\/p>\n<\/div>

L'objectif principal de ce projet de recherche est de d\u00e9velopper un algorithme d'apprentissage profond pour aider les pathologistes \u00e0 diagnostiquer le lymphome folliculaire. Un objectif secondaire est d'identifier des crit\u00e8res informatifs qui pourraient aider les experts m\u00e9dicaux \u00e0 comprendre les diff\u00e9rences morphologiques entre le lymphome folliculaire et l'hyperplasie folliculaire, qui seront d\u00e9sign\u00e9s ci-dessous par FL et FH.<\/p>\n<\/div>

Qu'est-ce que le lymphome folliculaire ? Quels sont les d\u00e9fis pos\u00e9s par son diagnostic ?<\/h2><\/div>

Le FL est un sous-type de lymphome, le cancer du sang le plus fr\u00e9quent dans le monde. Il existe plus de 80 types de lymphome et cette diversit\u00e9 rend son diagnostic difficile, m\u00eame pour les experts. En outre, le FL est tr\u00e8s similaire \u00e0 la FH, qui n'est pas canc\u00e9reuse, ce qui complique encore son diagnostic.<\/p>\n

Dans cet article, nous d\u00e9crivons notre approche de la construction d'un classificateur pour le FL et le FH en utilisant uniquement des images de lames enti\u00e8res \u00e9tiquet\u00e9es. Les images de lames enti\u00e8res sont des fichiers num\u00e9riques haute r\u00e9solution de lames de microscope scann\u00e9es. Dans notre cas, elles contiennent des extraits de ganglions lymphatiques.<\/p>\n<\/div>

Comment l'apprentissage profond pourrait-il contribuer \u00e0 sa d\u00e9tection ?<\/h2><\/div>

En utilisant des images de FL et de FH en diapositives enti\u00e8res, nous avons entra\u00een\u00e9 un classificateur binaire par le biais d'une approche bas\u00e9e sur les patchs. L'architecture de notre mod\u00e8le est un simple Resnet-18 entra\u00een\u00e9 sur quelques \u00e9poques (~10).<\/p>\n

Apr\u00e8s avoir pr\u00e9dit la classe d'une observation avec le classificateur, nous extrayons la derni\u00e8re couche d'activation pour construire une carte thermique sur l'image d'entr\u00e9e afin de mettre en \u00e9vidence les parties qui ont incit\u00e9 le mod\u00e8le \u00e0 d\u00e9finir une classe donn\u00e9e.<\/p>\n<\/div>

Pourquoi avons-nous utilis\u00e9 une classification bas\u00e9e sur les patchs ?<\/h2><\/div>

La classification bas\u00e9e sur les patchs est une technique de classification dans laquelle la classe d'une observation donn\u00e9e est construite sur la base de l'agr\u00e9gation des pr\u00e9dictions de ses composants (patchs). Dans notre cas, cette technique est utilis\u00e9e parce que les images sont beaucoup trop grandes pour \u00eatre utilis\u00e9es directement sur le mod\u00e8le.<\/p>\n

En fait, les images de diapositives enti\u00e8res sont tr\u00e8s grandes (~10\u2075 pixels carr\u00e9s). Leur taille rend l'entra\u00eenement d'un mod\u00e8le d'apprentissage profond presque impossible avec les outils courants. Pour r\u00e9soudre ce probl\u00e8me, nous les avons divis\u00e9es en patchs de m\u00eame taille en suivant deux crit\u00e8res importants :<\/p>\n<\/div>