Fonds Yvonne Boël
  • Accueil
  • Conseil
  • Statuts
  • Projets scientifiques
    • Le projet SecundOS >
      • Présentation
      • État des lieux du projet
    • Projets BACH2 immunosenescence
  • Historique
  • Prix Fonds Yvonne Boël
  • Événements
    • 2012
    • 2013
    • 2014
    • 2015
    • 2016
    • 2017
    • 2018
    • 2019
    • 2020
    • 2021
    • 2022
  • Interviews
  • Récolte de fonds
  • Contact
Projet mené à l’hôpital Érasme sous la direction du Pr. I. Salmon (2018)
Rapport du projet SecundOS 2019
File Size: 5138 kb
File Type: pdf
Télécharger le fichier

État des lieux du projet SecundOS V.2 :


SOUTENEZ-NOUS
  1. 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)
Pour une qualité optimale et une reproductibilité avec une fiabilité de 100% étant donné les applications.
 
Timing :
  • Analyse des résultats : en cours
  • Fin de l’analyse : juin 2018
  • Achat du matériel : juin-juillet 2018
    2. Nécessité d'un technicien spécialisé (pas d'enseignement existant) = formation d'un technicien. 
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.
Photo
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.

Publications :

 

Photo
Photo
Photo

Rue Ducale 21 B-1000 Bruxelles
Tel. : +32 2 549 07 25
| Fax : +32 2 511 81 95
Email : fonds.yvonne.boel@skynet.be

  • Accueil
  • Conseil
  • Statuts
  • Projets scientifiques
    • Le projet SecundOS >
      • Présentation
      • État des lieux du projet
    • Projets BACH2 immunosenescence
  • Historique
  • Prix Fonds Yvonne Boël
  • Événements
    • 2012
    • 2013
    • 2014
    • 2015
    • 2016
    • 2017
    • 2018
    • 2019
    • 2020
    • 2021
    • 2022
  • Interviews
  • Récolte de fonds
  • Contact