Intelligence artificielle et analyse d’images histologiques : Opportunités et challenges
2020, Revue française d'histotechnologie, vol: 32, n°: 1, p 213-238
Wemmert Cédric1,*, Weber Jonathan2 , et Forestier Germain2
DOI :
1. ICube, Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie, UMR 7357, 300 bd Sébastien Brant - CS 10413 - 67412 Illkirch Cedex, France 2. IRIMAS, Institut de Recherche en Informatique, Mathématiques, Automatique et Signal, 2 rue des Frères Lumière, 68 093 Mulhouse Cedex, France
Résumé :
L’anatomopathologie remonte au 19ème siècle. Depuis, le matériel n’a cessé d’évoluer, mais l’œil 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.
Mots-clés :
Apprentissage profond, analyse d’images histopathologiques
English title :
Artificial Intelligence for histological image analysis: opportunities and challenges
Abstract :
Anatomical Pathology dates back to the 19th century when Rudolf Virchow introduced his concept of cellular pathology and when the technical improvements of light microscopy enabled wide-spread use of structural criteria to define diseases. Since then, the quality of optical instruments has been constantly evolving. However, the central element of the diagnostic process remains the knowledge and experience of pathologists visually classifying observations according to internationally agreed guidelines (e.g., WHO classification), and much of the preanalytical steps of specimen preparation (e.g., fixation, embedding, sectioning, staining) is only partially automated and still requires many manual steps. Thanks to the recent advent and cost-effectiveness of digital scanners, tissue histopathology slides can now be fully digitized and stored as Whole Slide Images.
With the availability and analysis of a much larger set of variables combined with sophisticated imaging and analytic techniques, the traditional paradigm of pathology based on visually descriptive microscopy can be complemented and substantially improved by digital pathology, utilizing screen-based visualization of digital tissue sections and novel analysis tools potentially combining the conventional evaluation by pathologists with a computer-based diagnostic aid system.
A central element of such evolving medical utilities and decision support systems will be image analysis, a field in which deep learning has recently made immense progress, notably the work of Lecun et al. on convolutional neural networks and especially the development of very large neural networks (deep learning) that are revolutionizing the field. Indeed, they have surpassed all existing image processing methods in most fields (segmentation, object detection, classification, etc.). All current methods applied to histopathological image analysis will be presented as well as the future technological issues and challenges of this discipline.
Keywords :
Deep learning, histopathological image analysis
Copyright © Association française d'histotechnologie
Tous les articles sont disponibles en libre accès / All the articles are available in open access
Comment citer cet article (How to cite this article) :
Wemmert Cédric, Weber Jonathan , Forestier Germain 2020, Intelligence artificielle et analyse d’images histologiques : Opportunités et challenges, 2020, Revue française d'histotechnologie, vol: 32, n°: 1, p 213-238, https://doi.org/10.25830/afh.rfh.2020.32.213.238
Journal Article