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

et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Madame Marie REINBIGLER

Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :

Informatique

« Analyse multi-résolution frugale pour les images en gigapixels: application aux données biomédicales et au-delà »

le MERCREDI 17 SEPTEMBRE 2025 à 10h30

à

Amphithéâtre 7
19 Place Marguerite Perey 91120 Palaiseau
https://webconf.imt.fr/frontend/rooms/kea-bjw-vkl-gru/join

Membres du jury :

M. Catalin FETITA, Professeur, Télécom SudParis, FRANCE – Directeur de these
Mme Elisabeth BRUNET, Maîtresse de conférences, Télécom SudParis, FRANCE – Co-encadrante de these
M. Pierre FORTIN, Professeur des universités, Université de Lille , FRANCE – Rapporteur
M. Pascal DESBARATS, Professeur, Université de Bordeaux, FRANCE – Rapporteur
M. Raymond NAMYST, Professeur, Université de Bordeaux, FRANCE – Examinateur
Mme Maria VAKALOPOULOU, Maîtresse de conférences, Centrale Supéléc, FRANCE – Examinateur

Invités :

Mme Rosalie MARTIN, Ingénieure de recherche, Adobe

M. Rafael PIRES, Enseignant-Chercheur, Ecole Polytechnique Fédérale de Lausanne

M. Daniel Stockholm, Maître de Conférence HDR, EPHE-PSL (CRSA) 

« Analyse multi-résolution frugale pour les images en gigapixels: application aux données biomédicales et au-delà »

présenté par Madame Marie REINBIGLER

Résumé :

Les avancées réalisées dans le domaine des systèmes d’acquisition d’images ont permis de capturer des images atteignant l’échelle du milliard de pixels et comprenant un niveau de détail sans précédent, ce qui a considérablement accru les possibilités d’analyse dans une grande diversité de domaines. En particulier, le domaine biomédical s’appuie sur des images en gigapixels de coupes de tissus, appelées images histologiques, pour réaliser des diagnostics qui constituent aujourd’hui la référence pour la détection du cancer. Cependant, l’analyse de ces images reste une tâche complexe, chronophage et sujette aux erreurs pour les praticiens. L’automatisation de ces tâches est nécessaire mais difficile, car la taille des images dépasse souvent les ressources disponibles. Ce problème est renforcé par les besoins en ressources informatiques croissantes pour l’analyse d’images reposant sur des modèles d’Intelligence Artificielle progressivement adoptés. Les ressources informatiques requises ne sont pas toujours accessibles pour les praticiens et ont un impact socio-environnemental non négligeable, en particulier lorsqu’elles impliquent la fabrication de nouveaux composants. Il est donc primordial d’optimiser l’utilisation des équipements informatiques existants. Le domaine de l’informatique frugale constitue une option permettant d’utiliser des ordinateurs plus anciens ou plus modestes pour réaliser de telles analyses. Pour relever ces défis, nous proposons une approche économe en calcul pour l’analyse d’images en gigapixels en exploitant leur structure multi-résolution. Nous évaluons la méthode dans deux scénarios : l’un avec une distribution hétérogène des données pertinentes, illustrant l’efficacité de l’approche, et l’autre avec une distribution spatiale homogène des zones d’intérêt, où la méthode introduit un surcoût. Pour poursuivre notre quête d’une exécution plus frugale, nous déployons notre approche sur une grappe d’ordinateurs standards et modestes, en sélectionnant des stratégies d’équilibrage de charge adaptées à la densité d’informations de chaque cas d’utilisation. Enfin, nous démontrons la généralisabilité de notre approche dans d’autres domaines, telles la détection de feu de forêt à l’aide d’images satellites et la simulation multi-échelle des îlots de chaleur urbains.

Abstract :

Advancements in image acquisition systems have made it possible to capture gigapixel-scale images with an unprecedented level of detail, significantly reshaping analysis possibilities across a wide range of domains. In particular, the biomedical domain relies on gigapixel images of tissue slices, called histological images, to perform diagnosis and constitute the gold standard for cancer detection. However, analyzing these images remains a demanding, time-consuming, and error-prone task for pathologists. Automating these tasks is necessary but challenging, as the large image size often exceeds available resources. This issue is reinforced by the increasing computational demands of Artificial Intelligence-based image analysis algorithms that are progressively adopted. The required computation-heavy resources are not always affordable for pathologists and have a non-negligible socio-environmental impact, especially when it implies new device manufacturing. It is thus paramount to optimize the utilization of existing computing hardware. The frugal computing domain constitutes a direction to allow the use of older or more modest computers to achieve such analyses. To address these challenges, we propose a computation-saving approach for analyzing gigapixel images by exploiting their multi-resolution structure. We evaluate the method in two scenarios: one with a heterogeneous distribution of relevant data, demonstrating the approach efficiency, and another with a spatially homogeneous distribution, where the method introduces an overhead. To pursue our quest for more frugal computing, we implement our approach on a cluster of standard and modest computers, selecting load-balancing strategies tailored to the information density of each use case. Finally, we highlight the broader applicability of our method in other domains, like fire detection using satellite imagery and Urban Heat Island multi-scale simulation.