Un cadre d’apprentissage profond à faible consommation de données pour la segmentation et la classification d’images d’histopathologie

L’étude actuelle de l’architecture cellulaire de l’inflammation à partir d’images d’histopathologie, couramment réalisée à des fins diagnostiques et de recherche, exclut une grande quantité d’informations disponibles sur la lame de biopsie. Dans les maladies auto-immunes, de nombreuses questions fondamentales demeurent quant à la nature des types cellulaires impliqués dans l’inflammation au niveau tissulaire, ainsi qu’à leurs interactions mutuelles. Bien que ces questions puissent être partiellement abordées par des méthodes traditionnelles, les approches basées sur l’intelligence artificielle pour la segmentation et la classification offrent une méthode bien plus efficace pour comprendre l’architecture de l’inflammation dans les maladies auto-immunes, promettant des perspectives novatrices. Dans cet article, nous développons empiriquement des méthodes d’apprentissage profond utilisant des biopsies de dermatomyosite humaines afin de détecter et identifier les cellules inflammatoires. Notre approche améliore les performances de classification de 26 % et celles de segmentation de 5 %. Nous proposons également une nouvelle architecture d’autoencodeur post-traitements, qui améliore les performances de segmentation de manière supplémentaire de 3 %.