Soutenance de thèse de DE LEÓN BATISTA Lázaro Javier

Résumé de la thèse

Le diagnostic oncologique requiert l'étude de la structure microscopique de tissus.
Cette étude, nommée histologie/histopathologie, permet d'analyser des échantillons
de tissus pour différencier finement les tissus sains, les tissus pathologiques et les
pathologies tumorales associées. L'histologie conventionnelle s'appuie sur une colorisation des échantillons à l'hématoxyline et éosine (H&E) fournissant un contraste
permettant de visualiser au microscope les structures cellulaires. Le protocole de
préparation et de colorisation des échantillons histologiques est long et nécessite de
nombreux équipements. L'histologie par diffusion Raman stimulée (SRH), basée sur
la microscopie de diffusion Raman stimulée (SRS), a récemment émergé comme une
alternative prometteuse. Elle permet une imagerie des échantillons sans marquage
en quelques minutes et est non destructive. L'acquisition des décalages Raman correspondants aux liaisons moléculaires CH2 (2845 cm−1) et CH3 (2930 cm−1), mettent
respectivement en évidence les lipides et les protéines. La soustraction des signaux
CH2 −CH3 réhausse la visibilité des noyaux cellulaires, ouvrant la voie à la génération
d'images d'histologie virtuelle. Cependant, la SRH présente un champ de vue limité
par rapport à l'histologie conventionnelle et manque d'automatisation. Par ailleurs,
son interprétabilité pour le diagnostic reste un défi : en effet, les images SRH pré-
sentent un contraste différent des images H&E et nouveau pour les histopathologistes.
Pour augmenter la taille des champs de vue, nous proposons de réaliser une mosaïque
d'acquisitions SRH adjacentes. Le schéma de la mosaïque est déterminé automatiquement dans un cadre de microscopie intelligente s'appuyant sur le contenu des images.
Un modèle de segmentation de type U-Net pour identifier les noyaux cellulaires, informations primordiales pour le diagnostic, est développé. Étant donné la rareté des
données SRH annotées pour la segmentation, nous proposons une méthode de géné-
ration d'images pseudo-SRS et de leurs masques de segmentation correspondants,
pour un entraînement supervisé de notre modèle. En intégrant notre modèle dans un
système de guidage du microscope en boucle fermée, nous démontrons sa capacité
à augmenter itérativement la quantité d'informations utiles dans la mosaïque résultante. L'ensemble du système a été validé sur des échantillons de tumeurs cérébrales.
Pour rapprocher les images SRH du contraste et de la qualité standard d'images histologiques H&E, nous développons un réseau de neurones de colorisation virtuelle des
images SRH. À partir d'images de patches H&E inclus en paraffine une approche de
génération de pseudo-SRH est à nouveau adoptée. Cela permet de créer une base de
données d'images appairées dans deux contrastes différents pour entrainer le réseau
de colorisation virtuelle. Afin de valider le réseau en vue d'applications cliniques nous
proposons une méthode pour détecter ses hallucinations potentielles, un défi courant dans la colorisation virtuelle. Enfin, nous avons mené une évaluation préclinique de
notre méthode de coloration, au cours de laquelle des pathologistes formés ont correctement classé les 15 échantillons de tumeurs cérébrales testés en utilisant l'imagerie
SRH combinée à la coloration virtuelle.