État des lieux du projet SecundOS V.2 :
- Nous avons utilisé, depuis 2017, des ressources propres pour faire le bilan de la plateforme technique Secundos V.1 et pour préparer l’upgrade pour Secundos V2.0 :
- Analyse de scanners de lames (de petit volume, dit « de bureau ») (BWB) permettant l’application extemporanée
- Analyse comparative du benchmark avec évaluation technique (Yves Rémy Van Eycke)
Timing :
- Analyse des résultats : en cours
- Fin de l’analyse : juin 2018
- Achat du matériel : juin-juillet 2018
Timing :
- Formation en cours à la Haute Ecole Condorcet (HEPH) d’un technicien spécialisé : Vassilios Panagiotou :
- Stage du 17/10/17 au 29/12/17
- Travail étudiant du 27/02/18 au 06/04/18 et 04/06/18 au 27/07/18
- Engagement par l’Hôpital Erasme
→ Résultats :
Depuis juin 2018, la plateforme SecundOS V.1 est enrichie de scanners à distance et d’une expertise technique de pointe permettant le développement du volet extemporané.
Projet SecundOS V.2 ou comment intégrer la boucle d’intelligence artificielle à la plateforme SecundOS (2017-2020) :
Directeur du projet de recherche: le Professeur Isabelle Salmon
Durée du projet: de 2017 à 2020
But du projet : Intégrer les outils de « machine learning » développés en recherche à la plateforme SecundOS et évaluer la plus-value diagnostique sur base d’étude cliniques prospectives. Le choix s’est porté sur la quantification de la prolifération à l’aide de deux outils, la reconnaissance automatique des mitoses et la quantification du Ki-67, marqueur de prolifération.
CONTEXTE GÉNÉRAL:
Le « Deep Learning » ou apprentissage approfondi, est une technique algorithmique qui permet aux ordinateurs d'analyser de nombreuses quantités de données et d’y détecter automatiquement des tendances en vue d'affiner les prévisions.
Avec la pathologie digitale et l'application de l'intelligence artificielle, il est possible d'accroître l'efficacité et d'améliorer la précision du diagnostic établi par les médecins pathologistes.
Ce domaine est en plein essor comme en témoigne les nombreux articles publiés ces derniers mois ainsi que les partenariats annoncés entre des géants de l’informatique et des laboratoires ou entreprises spécialisées dans le diagnostic anatomo-pathologique. Par exemple, en juin 2016 IBM et Watson ont annoncé l’intégration de solutions en imagerie médicale ; en mars 2017, Philips et PathAI se sont associés pour développer des outils utilisant l’Intelligence artificielle au service de la pathologie mais également Google qui a annoncé en mars 2017 avoir mis au point une méthode employant l’Intelligence artificielle pour détecter les cancers du sein.
Phases
• Mise en place de l’interface IT entre la console d’analyse d’image et la plateforme SecundOS
• Mise en place de l’étude (critères d’inclusion, responsables cliniques, paramètres)
• Récolte des données et Analyses
Segmentation of glandular epithelium in colorectal tumours to automatically compartmentalise IHC biomarker quantification: a deep learning approach :
• Auteurs : Yves-Rémi Van Eycke , Cédric Balsat, Laurine Verset, Olivier Debeir, Isabelle Salmon, Christine Decaestecker.
• Journal : Medical Image Analysis (soumis pour publication)
Abstract:
In this paper, we propose a method for automatically annotating slide images from colorectal tissue samples. Our objective is to segment glandular epithelium in histological images from tissue slides submitted to different staining techniques, including usual haematoxylin-eosin (H&E) as well as immunohistochemistry (IHC). The proposed method makes use of Deep Learning and is based on a new convolutional network architecture. Our method achieves better performances than the state of the art on the H&E images of the GlaS challenge contest, whereas it uses only the haematoxylin colour channel extracted by colour deconvolution from the RGB images in order to extend its applicability to IHC. The network only needs to be fine-tuned on a small number of additional examples to be accurate on a new IHC dataset. Our approach also includes a new method of data augmentation to achieve good generalisation when working with different experimental conditions and different IHC markers. We show that our methodology enables to automate the compartimentalisation of the IHC biomarker analysis, results concurring highly with manual annotations.
Phases
• Mise en place de l’interface IT entre la console d’analyse d’image et la plateforme SecundOS
• Mise en place de l’étude (critères d’inclusion, responsables cliniques, paramètres)
• Récolte des données et Analyses
Segmentation of glandular epithelium in colorectal tumours to automatically compartmentalise IHC biomarker quantification: a deep learning approach :
• Auteurs : Yves-Rémi Van Eycke , Cédric Balsat, Laurine Verset, Olivier Debeir, Isabelle Salmon, Christine Decaestecker.
• Journal : Medical Image Analysis (soumis pour publication)
Abstract:
In this paper, we propose a method for automatically annotating slide images from colorectal tissue samples. Our objective is to segment glandular epithelium in histological images from tissue slides submitted to different staining techniques, including usual haematoxylin-eosin (H&E) as well as immunohistochemistry (IHC). The proposed method makes use of Deep Learning and is based on a new convolutional network architecture. Our method achieves better performances than the state of the art on the H&E images of the GlaS challenge contest, whereas it uses only the haematoxylin colour channel extracted by colour deconvolution from the RGB images in order to extend its applicability to IHC. The network only needs to be fine-tuned on a small number of additional examples to be accurate on a new IHC dataset. Our approach also includes a new method of data augmentation to achieve good generalisation when working with different experimental conditions and different IHC markers. We show that our methodology enables to automate the compartimentalisation of the IHC biomarker analysis, results concurring highly with manual annotations.
Publications :
|
|
