École Nationale Supérieure de
Techniques Avancées

Résumé

La recherche biomédicale moderne a vu décoller la quantité et la variété d'images à sa disposition, du fait d'un intérêt nouveau pour la collecte et l'exploitation de ces données à travers la création de modèles de deep learning. On relève notamment les réseaux de segmentation qui permettent de sélectionner automatiquement les éléments importants d'une image, par exemple repérer les cellules dans un tissu. Ceux-ci répondent bien souvent à un besoin précis et leurs performances sont sous-optimales en dehors du laboratoire ou du type d'images pour lesquels ils ont été conçus. L'objectif de ce stage était d'améliorer les performances d'un réseau de neurones en apprentissage auto-supervisé (self-supervised learning) qui permet de filtrer l'arrière-plan d'une image en niveaux de gris pour ne conserver que le premier plan (les cellules). Il se fonde sur la méthode du style transfer qui consiste à appliquer le style de l'image cible à l'image source, ce qui permet de s'abstenir de l'apprentissage supervisé qui est contraignant bien qu'employé par la plupart des réseaux de segmentation les plus avancés du domaine. Un tel modèle permettrait d'épargner de longue heures de segmentation manuelle aux chercheurs et serait en théorie mieux adapté à un panel d'images variées que les modèles entrainés en supervision classique.