AVIS DE SOUTENANCE de Madame Houda HASSINI

L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services rĂ©partis, Architectures, ModĂ©lisation, Validation, Administration des RĂ©seaux

présentent

l’AVIS DE SOUTENANCE de Madame Houda HASSINI

AutorisĂ©e Ă  prĂ©senter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, prĂ©parĂ© Ă  TĂ©lĂ©com SudParis en :

Mathématiques et Informatique

« Analyse automatique des images des frottis sanguins : intĂ©rĂȘt de la phase en microscopie ptychographique de Fourier »

le MARDI 25 JUIN 2024 Ă  14h00

Ă 

Amphi 3
19 Place Marguerite Perey, 91120 Palaiseau
et en visioconférence https://telecom-paris.zoom.us/j/94310229016?pwd=cTBNc2wvSE1TSkpRWVZBNC85WU1MQT09

Membres du jury :

M. Yaneck GOTTESMAN, Professeur, TĂ©lĂ©com SudParis, FRANCE – Directeur de these
Mme Bernadette DORRIZZI, Professeure Ă©mĂ©rite, TĂ©lĂ©com SudParis, FRANCE – Co-encadrant de these
M. JIhad ZALLAT, Professeur, UniversitĂ© de Strasbourg, FRANCE – Rapporteur
M. Laurent BARTHES, MaĂźtre de confĂ©rences, UniversitĂ© de Versailles Saint-Quentin en Yvelines / Paris Saclay, FRANCE – Rapporteur
Mme Pauline TROUVÉ-PELOUX, IngĂ©nieure de recherche, ONERA – the French Aerospace Lab, FRANCE – Examinateur
Mme Elsa ANGELINI, Professeure, TĂ©lĂ©com Paris, FRANCE – Examinateur

Invités :

M. KLOSSA Jacques

M. LEYMARIE Vincent

« Analyse automatique des images des frottis sanguins : intĂ©rĂȘt de la phase en microscopie ptychographique de Fourier »

présenté par Madame Houda HASSINI

Résumé :

La pathologie numĂ©rique constitue aujourd’hui un outil fondamental pour le diagnostic mĂ©dical, exploitant les avancĂ©es technologiques en matiĂšre de numĂ©risation pour transformer les Ă©chantillons biologiques en donnĂ©es numĂ©riques, facilitant ainsi leur visualisation et leur analyse. Cependant, ces mĂ©thodes, souvent basĂ©es sur la microscopie conventionnelle, rencontrent des limitations qui entravent parfois leur efficacitĂ©. Dans ce contexte, des mĂ©thodes d’imagerie non conventionnelles telles que la microscopie ptychographique de Fourier (FPM) offrent des perspectives prometteuses pour surmonter ces limitations. En effet, la FPM offre un accĂšs Ă  la phase en complĂ©ment de l’intensitĂ© et permet d’examiner un large champ de vision Ă  haute rĂ©solution Ă  un coĂ»t de conception raisonnable. Cette thĂšse explore le potentiel de la microscopie ptychographique de Fourier dans l’analyse des frottis sanguins minces. Plusieurs rĂ©sultats ont Ă©tĂ© obtenus grĂące Ă  une approche multidisciplinaire intĂ©grant l’apprentissage en profondeur et la microscopie. Nous nous concentrons d’abord sur le problĂšme limitĂ© de la dĂ©tection des parasites pour le diagnostic du paludisme. L’exploitation conjointe de l’intensitĂ© et de la phase permet d’amĂ©liorer les performances d’un dĂ©tecteur de rĂ©seau neuronal profond. À cette fin, un CNN Ă  valeurs complexes a Ă©tĂ© introduit dans l’architecture Faster-RCNN pour une extraction efficace des caractĂ©ristiques. Ensuite, nous examinons une application plus complexe, Ă  savoir la classification des globules blancs, oĂč les avantages de l’exploitation conjointe de l’intensitĂ© et de la phase ont Ă©galement Ă©tĂ© confirmĂ©s. Nous nous intĂ©ressons Ă©galement au problĂšme du dĂ©sĂ©quilibre des classes rencontrĂ© dans cette tĂąche, nous proposons un nouveau modĂšle GAN informĂ© par la physique dĂ©diĂ© Ă  la gĂ©nĂ©ration d’images d’intensitĂ© et de phase. Ce modĂšle Ă©vite le problĂšme de mode collapse rencontrĂ© avec l’implĂ©mentation habituelle des GAN. Enfin, nous considĂ©rons l’optimisation de la conception du microscope FPM. À cette fin, nous explorons des stratĂ©gies combinant simulations, rĂ©seaux neuronaux et modĂ©lisation de la formation d’images. Nous dĂ©montrons que la FPM peut utiliser des rĂ©solutions faibles sans compromettre significativement les performances. Cette thĂšse souligne l’intĂ©rĂȘt d’adapter l’apprentissage automatique en lien avec les principes de la microscopie et met en Ă©vidence le potentiel de la microscopie ptychographique de Fourier pour les futurs systĂšmes de diagnostic automatisĂ©s.

Abstract :

Digital pathology presents today a fundamental tool for medical diagnosis, exploiting technological advances in digitalization to transform biological samples into digital data, thus facilitating their visualization and analysis. However, these methods, often based on conventional microscopy, encounter limitations that sometimes hinder their effectiveness. From this perspective, unconventional imaging methods such as Fourier ptychographic microscopy offer promising prospects for overcoming these limitations. Indeed, FPM offers access to the phase in complement of the intensity and allows examining a large Field of View at a high resolution at a reasonable design cost. This thesis explores Fourier ptychographic microscopy (FPM) ’s potential in thin blood smear analysis. Several results have been obtained thanks to a multidisciplinary approach integrating deep learning and microscopy. We have first focused our attention on the problem of limited complexity of parasite detection for malaria diagnosis. The joint exploitation of intensity and phase is shown to improve the performance of a deep network detector. To this end, a complex-valued CNN has been introduced in Faster-RCNN architecture for efficient feature extraction. Secondly, we have considered a more complex application, namely the classification of white blood cells, where the benefits of joint exploitation of intensity and phase were also confirmed. Furthermore, to reduce the imbalance of classes encountered in this task, we propose a novel physics-informed GAN model dedicated to generating intensity and phase images. This model avoids the mode collapse problem faced with usual GAN implementation. Finally, we have considered optimizing the FPM microscope design. To this end, we explore strategies combining simulations, neural networks, and image formation modeling. We demonstrate that FPM can use low resolutions without significantly compromising performance. This thesis underscores the interest in tailoring machine learning in connection to microscopy principles and highlights the potential of Fourier ptychographic microscopy for future automated diagnosis systems.