Le défi
Un laboratoire pharmaceutique disposait d’un classifieur de détection de pathologies entraîné sur des images de tissus colorés avec un réactif donné. Il cherchait un moyen d’appliquer ce même classifieur à des images de tissus colorés avec d’autres réactifs.
Principale difficulté : l’absence d’images appariées permettant une comparaison directe entre colorations. Les alternatives, comme créer un nouveau classifieur et de nouveaux outils de traitement pour chaque réactif, étaient coûteuses et longues. Le laboratoire nous a donc chargés de rechercher et de développer l’approche la plus adaptée.
Notre solution
En très peu de temps, nous avons évalué un éventail d’approches récentes sur les images histologiques du client. Nous avons notamment utilisé des réseaux antagonistes génératifs (GAN) pour la traduction image-à-image non appariée. Un GAN associe deux modèles de deep learning ou plus et sert à générer des images visuellement proches de son jeu d’entraînement.
En plus du framework qui traduit les images dans le domaine de coloration requis, nous avons créé un outil de visualisation interactif pour valider la qualité des images générées.
- Évaluation de plusieurs approches de traduction d’images sur des images histologiques
- Traduction image-à-image non appariée par GAN entre domaines de coloration
- Framework logiciel qui traduit les images dans le domaine attendu par le classifieur existant
- Outil de visualisation interactif pour valider les images générées
Le résultat
Le framework de traduction image-à-image et l’outil de visualisation ont permis au client de réduire nettement le temps et le coût du traitement et de la classification d’images de tissus colorés avec différents réactifs. Il réutilise ses composants logiciels et modèles existants au lieu d’en créer de nouveaux pour chaque coloration.
