IEMN
  • Accueil
  • Actualités
    • Newsletters de l’IEMN
    • Offres de Stages M2-Ingé
    • Les offres d’emplois
    • Toutes les actualités
  • L’Institut
    • Présentation
    • Organisation de l’institut
    • La Direction Scientifique
    • La Direction Technologique
    • La direction administrative et financière
    • Règlement intérieur
    • Nos engagements
  • La Recherche
    • Les départements scientifiques
      • Matériaux Nanostructures et Composants
      • Micro/nano et optoélectronique
      • Technologies des télécommunications et Systèmes intelligents
      • Acoustique
    • Les groupes de recherche
    • Les projets phares
  • Production Scientifique
    • Publications IEMN
    • Ressources production scientifique
  • Les plateformes
    • CMNF – Plateforme Centrale de Micro Nano Fabrication
      • Pôle Gravure et implantation
      • Pôle Analyse In Line
      • Pôle Soft Lithographie et Bio Microfluidique
      • Pôle Dépôts et épitaxie
      • Pôle Lithographie
      • Pôle Packaging
      • Staff CMNF
    • PCMP – Plateforme de Caractérisation Multi-Physique
      • Pôle Microscopie en Champ Proche (PCP)
      • Pôle Caractérisation Hyperfréquence, Optique et Photonique (CHOP)
      • Pôle Systèmes de COMmunications avancées et prototypage (SigmaCOM)
      • Pôle Caractérisation et Compatibilité ElectroMagnétique et prototypage (C2EM)
      • Staff PCMP
    • Prestations proposées par nos plateformes
  • Partenariat – Valorisation
    • Les Collaborations Académiques
    • Projets ANR
    • Principales collaborations internationales
    • Les partenariats industriels
    • Les laboratoires communs IEMN-Industrie
    • Les startups
  • La Formation à la Recherche
    • L’après-thèse
      • Faire un post-doc à l’IEMN
      • Vers le monde des entreprises et de l’industrie
      • Devenir Enseignant-Chercheur
      • Devenir Chercheur
      • Créer son entreprise à l’IEMN
      • FOCUS sur un ingénieur SATT issu de l’IEMN
    • Une thèse à l’IEMN
      • Soutenances de thèses et HDR
      • Sujets de thèses
      • Les financements
      • Les études doctorales
    • Master – Ingénieur
      • Masters ULille
        • Master Life Sciences and Technologies graduate program
        • Master Nanosciences and Nanotechnologies – Speciality ETECH
        • Master Réseaux et Télécommunications
      • Masters UPHF-INSA
        • Master Ingénierie des Systèmes embarqués et Communications Mobiles
        • Master Cyber-Défense et Sécurité de l’information
        • Master Matériaux, Contrôle, Sécurité
        • Master Ingénierie des Systèmes Images et Sons
      • Écoles Ingé partenaires/tutelles
      • Offres de Stages M2-Ingé
    • Le pôle lillois du GIP-CNFM
    • Nano-École Lille
  • Contact
    • Localisation
    • Formulaire de contact
    • Annuaire Intranet
  • Nos soutiens
  • en_GB
  • Rechercher
  • Menu Menu
ACTUALITES

Thèse Bilel GUETARNI : « Machine learning based classification for identifying lymphoma cancer cells in histopathologic images » le 2/12 10h00

Thèse Bilel GUETARNI

Soutenance : 2 Décembre 10H00
Amphithéâtre IEMN

Jury
Dominique COLLARD Directeur de recherche Université de Lille Directeur de thèse
Rachid JENNANE Professeur des universités Université d’Orléans Rapporteur
Nicolas LOMéNIE Professeur des universités Université Paris Cité Rapporteur
Elsa ANGELINI Professeur Télécom Paris Examinateur
Windal FERYAL Enseignante-Chercheuse JUNIA ISEN Examinateur
Halim BENHABILES Maître assistant IMT Nord Europe, Ecole Mines-Télécom Examinateur
 
Résumé :

Le cancer est une des principales causes de mortalité mondiale, avec près de 10 millions de décès en 2022, dont 1,5 million en Europe. Les lymphomes non hodgkiniens (LNH) sont des cancers du système immunitaire et sont responsables de plus de 250 000 décès en 2022. En France, l’incidence des LNH a augmenté de 21% entre 1998 et 2017, et les projections prévoient une augmentation significative des cas et des décès d’ici 2045. Le lymphome diffus à grandes cellules B (LDGC-B) est le type le plus courant de LNH, avec deux sous-types moléculaires identifiés grâce aux techniques de profilage des expressions génétiques : ABC et GCB, dont le premier se caractérise par un taux de survie plus faible et la nécessité d’apporter un traitement spécifique. Plusieurs méthodes existent pour déterminer le sous-type de LDGC-B dont la RT-MLPA (technique moléculaire), l’immunohistochimie et l’examen de tissu coloré à l’hématoxyline-éosine. Néanmoins, ces méthodes ont des limitations en termes de coût, de temps et de précision. Dans cette thèse, nous proposons d’étudier le potentiel que peuvent apporter les méthodes basées sur l’apprentissage machine et le deep learning pour améliorer le diagnostic des patients atteints de LDGC-B, à la fois en termes de sous-typage moléculaire mais également pour la prédiction de la réponse au traitement. Grâce à l’acquisition d’images histopathologiques à haute résolution, nous proposons deux méthodologies aboutissant à des modèles capables de prédire le sous-type moléculaire et la réponse au traitement d’un patient à partir de ces images. Les résultats expérimentaux de ces travaux ont montré l’apport potentiel que peuvent apporter ces méthodes pour le diagnostic du LDGC-B mais également une capacité à se généraliser à d’autres types de cancers et tâches de prédiction.

Abstract :

Cancer is one of the leading causes of death worldwide, with almost 10 million deaths in 2022, including 1.5 million in Europe. Non-Hodgkin’s lymphomas (NHL) are cancers of the immune system, and are responsible for more than 250,000 deaths in 2022. In France, the incidence of NHL rose by 21% between 1998 and 2017, and projections predict a significant increase in cases and deaths by 2045. Diffuse large B-cell lymphoma (DLBCL) is the most common type of NHL, with two molecular subtypes identified using gene expression profiling techniques: ABC and GCB, the former of which is characterized by a lower survival rate and the need for specific treatments. Several methods exist to determine the DLBCL subtype, including RT-MLPA (molecular technique), immunohistochemistry and examination of hematoxylin-eosin-stained tissue. Nevertheless, these methods have limitations in terms of cost, time and accuracy. In this thesis, we propose to investigate the potential of machine learning and deep learning-based methods to improve the diagnosis of patients with DLBCL, both in terms of molecular subtyping but also for the prediction of treatment response. Thanks to the acquisition of high-resolution histopathological images, we propose two methodologies leading to models capable of predicting a patient’s molecular subtype and treatment response from these images. The experimental results of these works have demonstrated the potential contribution of these methods to the diagnosis of DLBCL, but also their ability to be generalized to other types of cancer and predictive tasks.

Logo
Cité Scientifique
Avenue Henri Poincaré
CS 60069
59 652 Villeneuve d'Ascq Cedex, France
Tel : 03 20 19 79 79
CNRS Logo University of Lille Logo University Polytech Logo Junia Logo Centrale Lille Logo Renatech Logo RFnet Logo
Plan du site
© Copyright Service ECM et pôle SISR 2024
  • Production scientifique
  • Mentions légales
  • Politique de confidentialité
Faire défiler vers le haut
fr_FR
fr_FR
en_GB
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site web. Si vous continuez à utiliser ce site, nous supposerons que vous en êtes satisfait.OKNonPolitique de confidentialité