Du phénotypage cellulaire à la classification de lames digitales : Une application au traitement du cancer du sein triple-négatif

The rise of digital pathology and with it the challenges of histopathology analysis have been the focus of a worldwide effort in the overall fight against cancer. In parallel, the recent success of automated decision-making, machine learning, and specifically deep learning, have revolutionised the basis of research as we know today. In this thesis, we tackle the prediction of treatment response in triple-negative breast cancer patients with two different approaches that reach similar outcomes. The first line of approach, based on the recent success of computer vision, extracts learned features from the data in order to perform classification. The second line of approach forces the information flow to pass through nuclei segmentation. In particular, it allows the incorporation of high-resolution information on to a lower resolution overview. Yet while this approach is more appealing as it is based on the analysis and quantification of a precise biological element, nuclei segmentation is troublesome. While solving the task of nuclei segmentation with deep learning, we propose a new formulation for nuclei segmentation which excels at separating touching objects.Le 21ème siècle a vu l'essor de la pathologie numérique. De fait, les challenges de l'analyse des données histopathologiques ont contribué à un effort mondial dans la lutte globale contre le cancer. Parallèlement, le succès récent de la décision par automate, plus particulièrement l'apprentissage profond, a révolutionné la recherche dans le domaine de la vision par ordinateur. Dans cette thèse, nous avons étudié la prédiction de la réponse au traitement chez des patients atteints d'un cancer du sein triple négatif avec deux approches différentes aux performances similaires. La première approche, basée sur le récent succès de la vision par ordinateur, extrait des caractéristiques afin d'en effectuer la classification finale. La deuxième approche contraint le flux d'information à passer par la segmentation de noyaux. En particulier, elle permet d'incorporer des informations de haute résolution à une vue globale basse résolution. Bien que cette approche soit plus attrayante, puisqu'elle repose sur l'analyse et la quantification d'un élément biologique précis, la segmentation de noyaux est une tâche fastidieuse. Nous proposons une nouvelle approche de segmentation par apprentissage profond, qui est particulièrement adaptée à la séparation de cellules en contact