Geometric and statistical analysis of biological fluorescent multispectral images for phenotyping extracellular matrix in tumour tissue

Dans le carcinome épidermoïde de la tête et du cou, moins de 20% des patients répondent aux inhibiteurs de points de contrôle immunitaires. Cette efficacité limitée a suscité un intérêt croissant pour la matrice extracellulaire (MEC) tumorale, désormais reconnue comme un régulateur majeur de l'évasion immunitaire. Parmi ses composants, la fibronectine (FN) se distingue par ses architectures dynamiques et hétérogènes, dont l'impact pronostique reste à explorer. Cependant, les outils computationnels pour caractériser finement son organisation spatiale manquent encore à l'appel. Cette thèse propose une méthode robuste et interprétable d'analyse du signal, dédiée à l'étude quantitative de la FN dans des images d'immunofluorescence multiplex. La méthode commence par un prétraitement ciblé pour isoler la FN fibrillaire dans la région stromale, en s'appuyant sur des connaissances morphologiques a priori, ainsi que sur des mesures locales de variation d'intensité pour supprimer les artéfacts et les signaux non structurés. Ensuite, nous proposons une méthode de segmentation faiblement supervisée fondée sur une classification par tuiles, combinant à la fois des descripteurs profonds et statistiques. Contrairement aux méthodes classiques d'analyse de la MEC, souvent limitées à des mesures de texture, nous représentons la FN sous forme d'un graphe topologique. Les nœuds et les arêtes y codent la connectivité des fibres et leurs propriétés géométriques, capturant ainsi le continuum d'organisation fibrillaire. Cette approche permet d'extraire des descripteurs structurels intuitifs, tels que l'alignement des fibres, la longueur des branches et le nombre de cycles. Ces paramètres, validés sur un jeu de données emph {in vitro} annoté, montrent un pouvoir discriminant élevé et une pertinence biologique claire. Notre cadre méthodologique est extensible à d'autres composants de la MEC ou types de tissus. Il jette un pont entre l'analyse d'images et la biologie tumorale en proposant des outils reproductibles pour quantifier la structure de la MEC. Cette avancée ouvre la voie à des modèles multifactoriels combinant données spatiales, moléculaires et cliniques, avec pour objectif final la découverte de biomarqueurs et la prédiction de la réponse à l'immunothérapie.