Mon compte Ma liste - 0
	Catalogue   Ressources numériques   Nouveautés   Liens utiles   Mon compte

Recherche rapide Recherche avancée Recherche alphabétique Historique Information

Recherche  AuteurTitreSujetTitre de revueCollectionCotes BUCotes ENSEACotes IUFM       Modifier la recherche     > CERGY

Elargir la recherche       Sur le même sujet :     Thèses et écrits académiques     Parcourir le catalogue     par auteur:      Brémond Martin , Clara , 1993-....      Histace , Aymeric , 1977-.... , chercheur en informatique      Petitjean , Caroline , 1976-.... , professeure en informatique      Benezeth , Yannick , 1983-....      Pauthe , Emmanuel      Simon Chane , Camille      Jacob , Pierre , 1993-....      Clouchoux , Cédric , 1979-....      CY Cergy Paris Université , 2020-....      École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise      Equipes Traitement de l'Information et Systèmes , Cergy-Pontoise, Val d'Oise         Affichage MARC

Auteur :  Brémond Martin , Clara , 1993-.... Histace , Aymeric , 1977-.... , chercheur en informatique Petitjean , Caroline , 1976-.... , professeure en informatique Benezeth , Yannick , 1983-.... Pauthe , Emmanuel Simon Chane , Camille Jacob , Pierre , 1993-.... Clouchoux , Cédric , 1979-.... CY Cergy Paris Université , 2020-.... École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise Equipes Traitement de l'Information et Systèmes , Cergy-Pontoise, Val d'Oise Titre :  Génération, extraction et caractérisation sur des images de culture d'organoides cérébraux avec des contraintes de petits datasets , Clara Brémond Martin ; sous la direction de Aymeric Histace Editeur :  2023 Notes :  Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI) Partenaire(s) de recherche : ETIS - Equipes Traitement de l'Information et Systèmes (Laboratoire) Autre(s) contribution(s) : Caroline Petitjean (Président du jury) ; Aymeric Histace, Yannick Benezeth, Emmanuel Pauthe, Camille Simon Chane, Pierre Jacob, Cédric Clouchoux (Membre(s) du jury) ; Caroline Petitjean, Yannick Benezeth (Rapporteur(s)) Thèse de doctorat STIC (Sciences et Technologies de l'Information et de la Communication) - ED EM2PSI CY Cergy Paris Université 2023 Les organoïdes cérébraux (OC) sont des modèles récents et prometteurs pour le suivi du développement cérébral. Cependant, les biologistes manquent d outils d analyse automatique ou semi-automatique pour suivre leur développement in vitro, du fait de la faible quantité d images disponibles actuellement. Dans ce contexte, cette thèse vise à automatiser l extraction et à caractériser de façon adaptée la morphologie des organoïdes cérébraux sur de petits datasets d images acquises en microscopie à divers stades de la croissance de ces cultures.Dans cet objectif, un petit dataset a été augmenté par divers réseaux adverses génératifs (GAN) et le meilleur d entre eux au regard de critères psychovisuels, statistiques et quantitatifs a été optimisé. Quelle que soit l optimisation utilisée pour générer des images, elle enrichit le dataset de manière constructive, excepté pour un groupe. De manière complémentaire, l effet d une variation du bruit par GAN pour générer des images plus proches des exceptions a été étudié, et les images générées ont été validées également automatiquement, statistiquement et psycho-visuellement.Dans la continuité de cette première contribution, la forme des OC originels a été ex-traite par deep learning et nous montrons qu une meilleure précision peut être obtenue sil'entraînement est réalisé par un GAN optimisé e. L architecture de l extraction a été réduite pour l adapter aux petits datasets.Enfin, grâce aux images segmentées, la morphologie des OC a pu être caractérisée par calcul d indices morphologiques, mais également en déterminant leur empreinte par analyse de données topologiques. Caractériser un indice de leur développement (neuroépithélium) en association avec un autre laboratoire serait une étape future comme la validation de cette approche sur d autres cultures cérébrales et pour diverses modalités d acquisition microscopiques. Brain organoids (BO) are promising recent brain models, but tools are lacking to follow their development, with very few images available. This thesis aims to automate the extraction and appropriately characterize their morphologies on small datasets.A small dataset was augmented by various generative adversarial networks (GANs) andthe best one was optimized. Most optimisations are suitable to enrich the dataset. The effect of a noise variation by GAN to generate images closer to the exceptions has been studied, and these images have also been validated automatically, statistically and psychovisually.The shape of the original BOs was then extracted by deep learning and a better accuracywas obtained if the training is carried out by an optimized GAN. The architecture of theextraction has been reduced to adapt it to small datasets. Thanks to the segmented images, morphology of the organoids was characterized by calculating morphological indices, but also by finding their imprint by analyzing topological data. Characterizing an index of their development (neuroepithelia) in association with another laboratory would be a future step, such as validating this approach on other brain cultures and for various microscopic acquisition methods. Configuration requise : un logiciel capable de lire un fichier au format : text/html Sujet :  Thèses et écrits académiques   Exemplaires Pas de données exemplaires

Pour toute question, contactez la bibliothèque

Horizon Information Portal 3.25_france_v1m© 2001-2019 SirsiDynix Tous droits réservés.