Intelligence Artificielle pour la détection automatique de translocations chromosomiques. Application à la dosimétrie rétrospective basée sur l'imagerie FISH

Suite à une exposition accidentelle à des rayonnements ionisants, il est nécessaire d'affiner l'évaluation de la dose reçue pour effectuer un tri efficace des victimes asymptomatiques. Parmi les techniques disponibles, la dosimétrie biologique réalisée sur des prélèvements sanguins consiste à dénombrer les aberrations chromosomiques au sein des lymphocytes circulants. Du fait qu'elle constitue une donnée nécessaire au risque radiologique, la dosimétrie concerne la plupart des grandes questions scientifiques de la radioprotection identifiées par l'IRSN. Un des objectifs qui se dégage alors est l'évolution des outils pour une meilleure prise en charge des victimes en cas d'accident radiologique ou d'acte de malveillance.

Ce projet de thèse s'intéresse particulièrement aux aberrations chromosomiques stables, car elles persistent au cours des divisions cellulaires et peuvent servir de base à une reconstitution dosimétrique plusieurs années après l'exposition. La technique d'imagerie cytogénétique de référence est l'hybridation in situ par fluorescence (FISH). L'objectif est de développer un modèle d'intelligence artificielle capable de détecter automatiquement ces aberrations dans ces images FISH. Il conviendra ensuite d'effectuer une validation statistique et dosimétrique de ce modèle.

Les difficultés proviennent du nombre restreint d'annotations des données, ce qui constitue un défi pour l'apprentissage deep learning. L'idée est alors de développer des techniques capables à la fois de tirer parti d'annotations spatiales, mais aussi de la majorité de données non annotées. Le Faster- RCNN, réseau de neurones de détection d'objets, est particulièrement pertinent ici car il permet de simultanément localiser et de classer les chromosomes. Nous obtenons de très bons résultats sur la détection de chromosomes fluorescents, mais la distinction d'aberrations reste difficile. Pour contourner cette difficulté, nous avons opté pour une classification au niveau des instances fluorescentes via des réseaux ResNet. Cette approche a conduit à la construction d'un pipeline « multi-échelle ». Ensuite, afin d'obtenir un gain de performances, nous avons exploré l'impact du filtrage et du prétraitement de nos images. Des techniques de matching d'histogramme, combinées à des critères d'espacement d'objets, ont permis une augmentation significative des scores de performance ; dans les travaux futurs, nous envisageons d'améliorer la transférabilité d'un modèle entraîné en continuant à étudier les techniques d'adaptation de domaine.