Développement d'outils de précision basés sur l'apprentissage profond pour l'analyse des parasites Plasmodium et Cryptosporidium à partir d'images microscopiques

Abstract

Dans cette thèse, nous avons proposé deux contributions principales liées à l'analyse par apprentissage profond des parasites Malaria et Cryptosporidium à partir d'images microscopiques.Plus spécifiquement, dans la première contribution, nous avons proposé un framework pour diagnostiquer une infection par le parasite Malaria chez les humains en utilisant des images microscopiques de frottis sanguins fins. Comparé aux méthodes de l'état de l'art, notre framework est basé sur des approches de segmentation et de classification permettant l'analyse directe du parasite au lieu de la cellule qui le contient. Dans ce sens, le framework permet de segmenter directement le parasite Malaria et de distinguer son espèce parmi quatre classes principales : P. Falciparum, P. Ovale, P. Malaria et P. Vivax. Nous démontrons l'efficacité de notre framework et notamment son potentiel de généralisation sur des données interclasses en exploitant plusieurs jeux de données publiques. De plus, nous montrons que la technique d'augmentation des données que nous proposons, appelée Local Parasite Texture Scanning (LPTS), améliore davantage la précision de notre modèle de classification.Dans la deuxième contribution, nous avons proposé un framework pour diagnostiquer une infection par le parasite Cryptosporidium chez les vaches laitières en utilisant des images microscopiques de fluorescence. À cette fin, nous avons proposé une méthodologie originale de segmentation des parasites basée sur une approche grossière à fine, qui atteint une grande précision sur notre jeu de données généré de Cryptosporidium et qui permet de dépasser en termes de performance les méthodes de segmentation de l'état de l'art. Nous avons également proposé un modèle de classification à haut pouvoir discriminant permettant d'identifier efficacement le stade de vie des parasites parmi 4 stades asexués : oocyste, trophozoïte, méronte, et forme libre. Nous montrons à travers une étude expérimentale que notre modèle atteint une grande précision en analysant uniquement le parasite lui-même et sans avoir besoin d'informations supplémentaires liées à la taille et au nombre de noyaux qui sont nécessaires au biologiste afin de réaliser sa classification.