Thèse en analyse d’images et apprentissage profond : Apport de l’intelligence artificielle dans le diagnostic du myelome multiple sur myelogramme et prediction du risque cytogenetique

  • Thèse
  • Nantes

Cette thèse est proposée dans le contexte de l’appel d’offre: AIBY4 – AI made by Humans for Humans (ls2n.fr) 

Le myélome multiple (MM) est une hémopathie B mature représentant 1% des cancers. Environ 4500 à 5000 cas sont diagnostiqués de novo en France par an. Les progrès thérapeutiques ont, depuis ces dernières années, considérablement allongé l’espérance de vie des patients, transformant cette maladie aiguë en maladie chronique.

Le MM est caractérisé par la prolifération au sein de la moelle osseuse de plasmocytes malins clonaux. Cette prolifération tumorale s’accompagne :

– De la sécrétion d’une immunoglobuline monoclonale complète ou de la chaîne légère

– De lésions osseuses lytiques

 

Le diagnostic de cette hémopathie repose sur plusieurs critères biocliniques, dont la présence d’au moins 10% de plasmocytes parmi l’ensemble des cellules présentes au myélogramme (frottis médullaire).

La cytomorphologie est une discipline  basée sur l’expertise d’un biologiste médical et elle reste à ce jour le gold standard pour porter un diagnostic d’hémopathie maligne. Elle constitue une première étape avant une éventuelle orientation des prélèvements pour analyse biologique complémentaire comme l’immunophénotypage, la cytogénétique et la biologie moléculaire.  La reproductibilité inter/intra-observateur de la classification d’une cellule sur  frottis médullaire n’est que de 75 à 90% et le temps de la procédure et le volume des examens à analyser fait que le plus souvent seul un nombre limité de cellules sont observées (de 200 à 500 cellules).

 

Dans le cadre de ce projet, les lames sont virtualisées par un scanner de lames.

 

À partir des images scannées issus du frottis médullaire, les objectifs de la thèse sont de développer des approches automatiques pour:

1 – Identifier les zones d’intérêt de manière automatique sur les scans virtuels des lames prélevées.

2-  Détecter les leucocytes parmi l’ensemble des cellules du myélogramme

3 – Identifier les plasmocytes parmi les leucocytes

4 – Prédire le risque cytogénétique (t(11 ;14) ou t(4 ;14)) en fonction de la morphologie des plasmocytes (Garand et al, 2003)

 

La thèse s’appuiera sur une banque de données annotées par les cytologistes du laboratoire d’hématologie du CHU de Nantes, qui sera organisée dans une base de données image et d’annotation sur un système client serveur pour faciliter les échanges intersites.

 

Les phases de la thèse qui pourraient être envisagées sont :

1) préparation des données pour l’apprentissage, et définition de la stratégie d’augmentation des données

2) détection automatique de la zone de lecture et automatisation associée du microscope pour l’acquisition.

 

3)  évaluation de modèles existants et comparaison avec des approches de segmentation par traitement d’image, définition d’une architecture mixte pour la classification des cellules et la segmentation d’instances, (Kromp et al 2021, Challenge SecPC-2021).

4) étude au niveau global de l’image (classification d’image) d’un diagnostic clinique, à comparer avec le diagnostic posé basée sur la classification automatique des cellules

5) validation de l’algorithme développé en multicentrique et comparaison à la variabilité inter-observateur humaine.

 

Procédure de candidature: envoyer CV, lettre de motivation et notes de master (ou équivalent) aux 3 porteurs du projet par e mail (cf contact).

 

Références :

 

Garand R et al, “t(11;14) and t(4;14) translocations correlated with mature lymphoplasmacytoid and immature morphology, respectively, in multiple myeloma.”. Leukemia. 2003 Oct;17(10):2032-5

 

F. Kromp et al., “Evaluation of Deep Learning architectures for complex immunofluorescence nuclear image segmentation,” in IEEE Transactions on Medical Imaging, doi: 10.1109/TMI.2021.3069558.

 

SEGPC-2021 1ere édition d’un challenge de classification sur ce type de données : Home – SegPC-2021 – Grand Challenge (grand-challenge.org)

Encadrement : Marion Eveillard, Nicolas Normand, Perrine Paul-Gilloteaux

Contacts : marion.eveillard@chu-nantes.fr, nicolas.normand@univ-nantes.fr, perrine.paul-gilloteaux@univ-nantes.fr

To apply for this job please visit aiby4.ls2n.fr.