Classification et segmentation du réseau vasculaire dans les images histologiques : application au carcinome à cellules rénales ; Classification and segmentation of vascular network in histological images : application to renal cell carcinoma
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
Electronic Thesis;
E-Book
Title:
Classification et segmentation du réseau vasculaire dans les images histologiques : application au carcinome à cellules rénales ; Classification and segmentation of vascular network in histological images : application to renal cell carcinoma
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Le carcinome à cellules rénales (RCC) est l'une des tumeurs malignes les plus courantes et le diagnostic pathologique postopératoire est la méthode étalon pour le diagnostic du RCC. La reconnaissance du type de tumeur RCC et la possibilité de migration cellulaire dépendent fortement des propriétés géométriques et topologiques du réseau vasculaire. Dans ce travail, nous explorons le réseau vasculaire visible dans les images histopathologiques du RCC et étudions s’il est suffisant pour caractériser le sous-type de RCC. Pour ce faire, nous construisons d'abord une nouvelle base de données images histopathologiques RCC, à savoir l'ensemble de données BigRCC, qui contient 63430 imagettes de carcinome à cellules claires (ccRCC), de carcinome papillaire (pRCC), chromophobe (chRCC) et oncocytome. Ensuite, nous construisons une seconde base de données d'images histopathologiques de RCC du réseau vasculaire de 31 patients, à savoir la base de données VRCC, contenant 424 annotations du réseau vasculaire, provenant d'images de patchs tumoraux de ccRCC, pRCC et chRCC. Sur la base de ces réseaux vasculaires du jeu de données VRCC, nous proposons de nouvelles caractéristiques, à savoir des caractéristiques du squelette du réseau et des caractéristiques des zones entre les vaisseaux . Ces caractéristiques représentent bien les propriétés géométriques et topologiques des réseaux vasculaires des images histopathologiques. Ensuite, nous construisons des résultats de référence solides avec divers algorithmes (modèles d'apprentissage traditionnels et profonds) sur l'ensemble de données VRCC. Les résultats des caractéristiques de squelette et de réseau surpassent les modèles classiques par apprentissage profond. Malheureusement, il existe peu de grandes bases de données de réseaux vasculaires annotées manuellement. De plus, l'annotation du réseau vasculaire est très chronophage, ce qui limite son application potentielle. En outre, la segmentation automatique du réseau vasculaire à partir d'images histopathologiques reste un défi ...