🧬 biology

AI-Based Pipeline for Vascularization Detection in Histological Images; low-cost solution Using Moderate Computing Resources

Cet article présente un pipeline d'IA à faible coût et convivial qui combine un traitement d'image simple avec une méthode de recherche de similitude interactive et auto-apprenante pour permettre aux pathologistes de détecter rapidement et précisément la vascularisation dans les images histologiques en utilisant des ressources informatiques modestes et un étiquetage manuel minimal.

Auteurs originaux : Jan Žídek, Bretislav Lipový, Veronika Pavliňáková, Martin Knoz, Jakub Holoubek, David Izsák, Vladimir Váňa, Jan Herudek, Edita Jeklová, Irena Koutná, Zdeněk Pavlovský, Martin Faldyna, Lucy Vojtova

Publié 2026-07-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jan Žídek, Bretislav Lipový, Veronika Pavliňáková, Martin Knoz, Jakub Holoubek, David Izsák, Vladimir Váňa, Jan Herudek, Edita Jeklová, Irena Koutná, Zdeněk Pavlovský, Martin Faldyna, Lucy Vojtova

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un pathologiste examinant des milliers de lames de tissus au microscope. Votre travail consiste à trouver de minuscules vaisseaux sanguins. Faire cela à la main revient à chercher une aiguille spécifique dans une botte de foin, mais les aiguilles sont en mouvement et vous devez faire cela pendant des heures chaque jour. C'est lent, fatigant et coûteux.

Ce document présente un nouvel « assistant intelligent » à bas coût qui vous aide à trouver ces vaisseaux beaucoup plus rapidement, sans avoir besoin d'un superordinateur ou d'une équipe d'experts en IA coûteux.

Voici comment le système fonctionne, décomposé en étapes simples :

1. Le « Pré-filtre » (Nettoyer la botte de foin)

Avant même que l'IA n'examine l'image, le système effectue une édition d'image simple et classique. Considérez cela comme l'utilisation d'un tamis pour séparer les gros cailloux du sable.

Le Problème : Les lames de tissus sont colorées avec différentes couleurs (brun pour les vaisseaux, bleu pour les noyaux cellulaires). Les points bleus peuvent tromper l'ordinateur en lui faisant croire qu'il s'agit de vaisseaux.
La Solution : Le système utilise un outil appelé Détection de Crêtes (comme un surligneur spécialisé) pour ignorer les points bleus et ne se concentrer que sur les formes brunes et tubulaires qui ressemblent à des vaisseaux. Cela donne à l'IA une liste de « candidats » beaucoup plus propre à vérifier.

2. Le « Moteur de Recherche Intelligent » (Le Cerveau)

Au lieu d'apprendre à un ordinateur à partir de zéro ce qu'est un vaisseau (ce qui nécessite des milliers d'exemples et des serveurs puissants), ce système utilise un « cerveau » pré-entraîné appelé DINOv2.

L'Analogie : Imaginez que DINOv2 est un bibliothécaire qui a lu des millions de livres et sait à quoi ressemble un « arbre », une « voiture » ou un « visage », mais qui n'a pas encore spécifiquement étudié les « vaisseaux sanguins de porc ».
La Magie : Lorsque le système voit une forme candidate, il ne cherche pas à deviner. Au lieu de cela, il transforme cette forme en une « empreinte digitale » unique (un code numérique). Il demande ensuite au bibliothécaire : « Est-ce que cette empreinte ressemble à un exemple que j'ai déjà vu ? »

3. Le « Tuteur Interactif » (Apprendre en faisant)

C'est la partie la plus importante. Le système ne se contente pas de s'exécuter une fois et s'arrête là. Il apprend en temps réel pendant que vous travaillez.

Le Processus : L'ordinateur vous montre une forme candidate et demande : « Est-ce un vaisseau ? »
- Si vous dites « Oui » (Appuyez sur 'v'), le système enregistre cette empreinte dans sa bibliothèque en tant que « Vaisseau ».
- Si vous dites « Non » (Appuyez sur 'a'), il l'enregistre comme « Pas un Vaisseau ».
Le Résultat : Le système utilise un outil de recherche rapide appelé FAISS pour comparer instantanément la nouvelle forme avec votre bibliothèque croissante.
- Au début : La bibliothèque est petite, donc l'ordinateur est un peu incertain.
- Après quelques dizaines de corrections : La bibliothèque est remplie de vos exemples spécifiques. L'ordinateur devient incroyablement précis, atteignant 98 % de précision après seulement environ 150 corrections.

4. Pourquoi est-ce différent (L'avantage du « Bas Coût »)

La plupart des outils d'IA sont comme l'achat d'une voiture de course construite sur mesure : ils nécessitent un immense garage (serveurs coûteux), un mécanicien professionnel (spécialiste en IA) et beaucoup de carburant (des milliers d'images d'entraînement).

Ce nouvel outil est comme un vélo fiable et économe en carburant :

Pas besoin de superordinateur : Il fonctionne sur un ordinateur de bureau standard ou même sur un ordinateur portable de jeu. Vous n'avez pas besoin de louer des serveurs cloud coûteux (bien que les auteurs l'aient testé sur un serveur cloud, ils ont constaté qu'un ordinateur ordinaire fonctionne très bien).
Pas d'entraînement en « Boîte Noire » : Vous n'avez pas à attendre des jours que l'IA « étudie ». Elle apprend immédiatement au fur et à mesure que vous cliquez.
Petites données : Il n'a pas besoin de milliers d'exemples pour commencer. Il devient très performant après seulement quelques dizaines de corrections.

Ce que les résultats ont montré

Les chercheurs ont testé trois méthodes :

Humain uniquement : A pris des mois pour vérifier 14 000 objets.
IA Standard (basée sur le Cloud) : A obtenu 92 % de précision mais nécessitait des serveurs cloud coûteux et 400 exemples pour apprendre.
Ce Nouvel Outil (basé sur la recherche/retrieval) : A obtenu 98 % de précision avec seulement 150 exemples, en fonctionnant sur un ordinateur ordinaire.

Limite Cruciale : Le document stipule explicitement que cet outil vous indique si un objet détecté est un vaisseau ou non. Il ne compte pas le nombre total de vaisseaux dans l'image. C'est un détecteur « oui/non », pas un compteur.

La « Règle d'Or » pour l'entraînement

Le document a découvert une astuce surprenante pour obtenir les meilleurs résultats :

Ne vous entraînez pas uniquement sur une seule lame. Si vous ne montrez à l'IA que des exemples provenant d'une seule image, elle sera confuse lorsqu'elle verra une nouvelle lame avec des couleurs ou des textures légèrement différentes.
Éparpillez les exemples. Les meilleurs résultats ont été obtenus lorsque l'utilisateur a corrigé des exemples provenant de nombreuses images différentes (même s'il ne s'agissait que d'une ou deux corrections par image). Cela enseigne à l'IA à reconnaître le concept de vaisseau, et non pas seulement l'apparence spécifique d'une lame donnée.

En résumé : Ce document décrit une façon pratique et à bas coût de transformer un travail manuel fastidieux en un jeu interactif et rapide où l'ordinateur apprend de vous au fil de l'eau, en utilisant un ordinateur standard et très peu de données.

Résumé technique : Pipeline basé sur l'IA pour la détection de la vascularisation dans les images histologiques

Énoncé du problème
L'évaluation manuelle de la vascularisation dans les spécimens histologiques est un indicateur critique pour la cicatrisation des plaies et la réponse tissulaire, mais elle reste un processus chronophage nécessitant un effort expert important. Bien que l'intelligence artificielle (IA) offre une solution potentielle, son adoption pratique est souvent entravée par des coûts élevés liés aux licences, le besoin de personnel spécialisé en IA et l'exigence d'une infrastructure informatique puissante (par exemple, des serveurs GPU dédiés). De plus, les approches classiques de l'apprentissage profond exigent souvent de vastes ensembles de données d'entraînement entièrement annotées, dont la production est coûteuse. Les auteurs répondent au besoin d'un système à bas coût, convivial et efficace sur le plan computationnel, capable de détecter des structures vasculaires dans des tissus colorés par immunohistochimie avec un étiquetage manuel minimal et des exigences matérielles modestes.

Méthodologie
Le pipeline proposé est un système de récupération augmentée, avec intervention humaine (human-in-the-loop), conçu pour fonctionner sur des stations de travail standard sans matériel GPU spécialisé. Il se compose de quatre étapes logiques :

Prétraitement d'image et génération de masques de candidats :
- Le système utilise le traitement d'image classique pour isoler les structures positives à l'actine de muscle lisse (SMA). Cela implique une séparation des canaux de couleur (isolation du canal bleu pour supprimer l'hématoxyline et accentuer la coloration DAB) et un filtrage morphologique.
- Deux méthodes distinctes génèrent des régions d'intérêt (ROI) candidates :
  - Détection de crêtes (Ridge Detection) : Implémentée via le plugin Fiji/ImageJ (basée sur l'algorithme de Steger), cette méthode accentue les structures fines, allongées et curvilignes typiques des parois vasculaires.
  - Modèle Segment Anything (SAM2) : Un modèle de segmentation "zero-shot" sans entraînement spécifique (Meta AI) est utilisé pour générer des propositions de régions diverses sans réentraînement lié à la tâche.
- Ces méthodes produisent des masques binaires ou des régions candidates qui servent d'entrées pour l'extraction de caractéristiques.
Plongement de région (Region Embedding) :
- Chaque ROI candidate est recadrée, normalisée et transmise à un fond de base visuel auto-supervisé gelé : DINOv2 (spécifiquement dinov2_vits14).
- DINOv2, préentraîné sur des images naturelles, agit comme un extracteur de descripteurs fixes, convertissant chaque ROI en un vecteur numérique compact (plongement ou embedding) qui capture les caractéristiques sémantiques et morphologiques. Aucun réentraînement supervisé du fond de base n'est effectué.
Indexation et classification par récupération :
- Les plongements générés sont stockés dans un index vectoriel dynamique utilisant FAISS (Facebook AI Similarity Search).
- La classification est effectuée via une stratégie "few-shot" augmentée par la récupération. Lorsqu'une nouvelle ROI est présentée, le système récupère les $k$ plus proches voisins de l'index en se basant sur la similitude vectorielle.
- Les étiquettes des plus proches voisins (Vaisseau vs Artéfact) sont utilisées pour voter sur la classification de la nouvelle ROI.
Protocole interactif avec intervention humaine (Human-in-the-Loop) :
- Le système fonctionne en temps réel. Un expert examine les objets détectés et fournit un retour immédiat via des commandes clavier :
  - Touches 'v' ou 'a' : Étiquettent explicitement un objet comme vaisseau ou artéfact. Ces étiquettes sont immédiatement ajoutées à l'index FAISS, mettant à jour la base de connaissances du système pour les images suivantes sans réentraîner le modèle sous-jacent.
  - Touches 'Enter' ou 's' : Utilisées pour l'évaluation (accord ou désaccord avec la prédiction du modèle) sans mettre à jour l'ensemble d'entraînement.
- Cela permet au système de s'adapter de manière incrémentielle à des motifs de coloration spécifiques et à des cas limites lors d'une seule session.

Principales contributions

Déploiement à faible coût et faibles ressources : Les auteurs démontrent qu'une détection vasculaire de haute précision peut être obtenue sur un ordinateur de bureau standard ou un ordinateur portable de jeu, éliminant le besoin d'instances GPU cloud coûteuses ou de serveurs dédiés requis par les flux de travail traditionnels de l'apprentissage profond.
Efficacité de l'annotation : L'approche augmentée par la récupération atteint une précision élevée (environ 95 %) avec seulement ~75 reconnaissances assistées par l'utilisateur et se stabilise près de 98 % après 150 annotations. C'est nettement moins que les centaines ou milliers d'annotations typiquement requises pour l'entraînement de réseaux neuronaux supervisés.
Adaptabilité en temps réel : Contra Contrairement aux modèles statiques qui nécessitent un réentraînement pour incorporer de nouvelles données, ce système apprend de manière continue et instantanée à partir des corrections de l'expert, permettant une adaptation rapide aux conditions de laboratoire spécifiques ou aux variations de coloration.
Segmentation complémentaire : L'étude valide que la combinaison de la détection de crêtes classique (qui préserve la morphologie vasculaire continue) avec les propositions de SAM2 (qui offrent une couverture de formes diversifiée) fournit un ensemble de candidats plus robuste que l'une ou l'autre des méthodes seules.

Résultats
L'étude a comparé trois approches en utilisant des images histologiques issues d'une expérience de cicatisation de plaie porcine (coloration SMA) :

Annotation entièrement manuelle : A nécessité plus de 14 000 objets à classifier par un opérateur unique sur plusieurs mois (2020–2022).
Réseau neuronal standard (basé sur Azure) : Un outil d'apprentissage automatique hébergé sur Microsoft Azure a atteint 92 % de précision après 400 annotations, mais a nécessité des ressources de calcul cloud substantielles et a coûté environ 7 EUR pour les sessions d'annotation.
Système augmenté par la récupération (DINOv2/FAISS) :
- A atteint 95,4 % de précision après seulement 75 reconnaissances assistées.
- A atteint 98,2 % de précision après 125 reconnaissances et s'est stabilisé près de 98 % à 150 reconnaissances.
- A fonctionné efficacement sur une station de travail standard sans GPU dédiés.
- Résultats de la stratégie d'entraînement : L'étude a constaté que la distribution des données d'entraînement sur plusieurs images (par exemple, 26 objets provenant de 13 images) produisait une précision plus élevée et plus stable que l'entraînement sur des objets provenant d'une seule image. De plus, l'inclusion de cas morphologiquement ambigus dans l'ensemble d'entraînement a amélioré les performances par rapport à une restriction aux seuls exemples non ambigus.

Signification et affirmations
L'article affirme que cette approche offre un compromis pratique pour l'utilisation de routine en laboratoire, particulièrement dans les contextes où le temps de l'expert est limité et les ressources informatiques contraintes. En exploitant des représentations auto-supervisées préentraînées (DINOv2) et une recherche de similitude efficace (FAISS), le système contourne le besoin d'un entraînement spécifique à la tâche et de vastes ensembles de données.

Les auteurs soulignent que le système est conçu pour assister, et non remplacer, l'expert ; il réduit la charge d'annotation de plusieurs mois à quelques minutes tout en maintenant un accord élevé avec l'opérateur. Cependant, l'article note modestement certaines limites :

Le système classifie les objets détectés comme "vaisseau" ou "artéfact", mais ne quantifie pas le nombre absolu de vaisseaux dans une image.
La métrique de précision reflète l'accord avec un évaluateur spécifique ; si l'évaluateur commet des erreurs systématiques, le modèle les reproduira.
Une validation plus large sur différentes colorations, types de tissus et laboratoires est nécessaire avant que la méthode ne puisse être considérée comme pleinement généralisable.

Ce travail se positionne comme une étape vers l'apprentissage à faible efficacité de marquage, démontant qu'une combinaison de plongements auto-supervisés et de récupération interactive peut efficacement répondre aux contraintes d'annotation des flux de travail de pathologie de routine.