Bladder cancer (BCa) is the fourth most commonly diagnosed cancers in men and the eighth most common in women. It is an abnormal growth of tissues which develops in the bladder lining. Histological analysis of bladder tissue facilities diagnosis as well as it serves as an important tool for research. To bet- ter understand the molecular profile of bladder cancer and to detect predictive and prognostic features, microscopy methods, such as immunofluorescence (IF), are used to investigate the characteristics of bladder cancer tissue. For this project, a new method is proposed to segment cancer epithelial us- ing nuclei morphology captured with IF staining. The method is implemented using deep learning algorithms and performance achieved is compared with the literature. The dataset is stained for nuclei (DAPI) and a marker for cancer epithelial (panEPI) which was used to create the ground truth. Three popu- lar Convolutional Neural Network (CNN) namely U-Net, Residual U-Net and VGG16 were implemented to perform the segmentation task on the tissue mi- croarray dataset. In addition, a transfer learning approach was tested with the VGG16 network that was pre-trained with ImageNet dataset. Further, the performance from the three networks were compared using 3fold cross-validation. The dice accuracies achieved were 83.32% for U-Net, 88.05% for Residual U-Net and 82.73% for VGG16. These findings suggest that segmentation of cancerous tissue regions, using only the nuclear morphol- ogy, is feasible with high accuracy. Computer vision methods better utilizing nuclear morphology captured by the nuclear stain, are promising approaches to digitally augment the conventional IF marker panels, and therefore offer im- proved resolution of the molecular characteristics for research settings.

Le développement de nouveaux capteurs multispectraux en imagerie astronomique permet l'acquisition de données d'une grande richesse. Néanmoins, la classification d'images multidimensionnelles se heurte souvent au phénomène de Hughes : l'augmentation de la dimensionnalité s'accompagne d'un accroissement du nombre de paramètres du modèle et donc inévitablement une baisse de précision de leur estimation entrainant une dégradation de la qualité de la segmentation. Il est donc impératif d'écarter l'information redondante afin de réaliser des opérations de segmentation ou de classification robustes. Dans le cadre de cette thèse, nous avons propose deux méthodes de réduction de la dimensionnalité pour des images multispectrales : 1) le regroupement de bandes suivis de projections locales ; 2) la réduction des cubes radio par un modèle de mélange de gaussiennes. Nous avons également propose un schéma de réduction/segmentation jointe base sur la régularisation du mélange d'analyseurs en composantes principales probabilistes (MACPP). En se qui concerne la tâche de segmentation, nous avons choisie une approche bayésienne s'appuyant sur des modèles hiérarchiques récents a base d'arbres de Markov cache et couple. Ces modèles permettent en effet un calcul rapide et exact des probabilités a posteriori. Pour le terme d'attache aux données, nous avons utilisée la loi gaussienne multidimensionnelle classique, la loi gaussienne généralisée multidimensionnelles formulée grâce à la théorie des copules et la vraisemblance par rapport au modèle de l'ACP probabiliste (dans le cadre de la MACPP régularisée). L'apport majeur de ce travail consiste donc a proposer différents modèles markoviens hiérarchiques de segmentation adaptés aux données multidimensionnelles multirésolutions. Leur exploitation pour des données issues d'une analyse par ondelettes adaptée au contexte astronomique nous a permis de développer des techniques de débruitage et de fusion d'images astronomiques multispectrales nouvelles. Tous les algorithmes sont non supervises et ont été valides sur des images synthétiques et réelles.