Analyse d'images en microscopie par réseaux de neurones dans un contexte frugal

Bioimage analysis using neural networks in frugal context

• Auteur / Autrice : Clément Cazorla
• Direction : Pierre Weiss
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et Applications
• Date : Soutenance le 29/03/2024
• Etablissement(s) : Université de Toulouse (2023-2025)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Partenaire(s) de recherche : Etablissement de délivrance conjointe : Université Toulouse 3 Paul Sabatier (1969-2024)
• Jury : Président / Présidente : Aurélie Bugeau
• Jury : Examinateurs / Examinatrices : Julie Batut, Guillaume Gay
• Jury : Rapporteurs / Rapporteuses : Daniel Sage, Thomas Walter
• DOI : 10.70675/d86aec50zdf8cz4098zbec4z5ef0072e69cf

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage frugal

Microscopie

Analyse informatique

Mots clés libres

Apprentissage profond

Classification

Segmentation

Frugal

Plugin

Deep learning

Classification

Segmentation

Frugal

Plugin

Résumé

Dans ce manuscrit de thèse, nous explorons l'usage de réseaux de neurones dans un contexte frugal, c'est-à-dire avec peu de données d'entraînement, appliqué à des tâches d'analyse d'images de microscopie. Au cours de ces travaux, j'ai fourni un travail substantiel d'intégration dans des interfaces utilisateur ergonomiques. Celles-ci prennent la forme de plugins Napari, un logiciel open-source de visualisation d'images multi-dimensionnelles. Plus largement, ce travail permet de rapprocher les utilisateurs de microscopes et les technologies d'apprentissage profond, actuellement complexes à appréhender, et à implémenter, à travers des logiciels d'apprentissage interactifs. Les biologistes recourent de plus en plus à diverses modalités d'imagerie, dans le but d'accéder à de nouvelles sources d'information dans des contextes de recherche fondamentale comme applicative. Cette intensification de l'usage des microscopes a conduit à des volumes de données importants, dont l'analyse pose aujourd'hui de réelles questions techniques et scientifiques. Le traitement de ces données est bien souvent effectué de manière manuelle par des biologistes (comptage de cellules par exemple), induisant des problèmes de reproductibilité des résultats inter et intra opérateurs, mais aussi des temps de traitement parfois très importants. L'essor de l'apprentissage profond au cours des dernières années donne aujourd'hui accès à des possibilités d'analyse encore inatteignables il y a quelques années de cela. Néanmoins, à l'heure où les questions de consommation d'énergie et de stockage deviennent cruciales, ces approches posent certains problèmes. Le recueil de grandes quantités d'images et leur annotation sont coûteux et complexes. Leur fiabilité est parfois remise en cause, car ces modèles neuronaux sont fréquemment considérés comme difficiles, voire impossibles à interpréter. À l'heure actuelle, de nombreuses initiatives de mise en commun de modèles et de ressources de calculs, ainsi que de recherche sur l'interprétabilité de ces réseaux sont déployées, afin de les rendre accessibles à un plus large public. Cette thèse s'articule autour de deux grands axes de l'analyse d'images que sont la segmentation et la classification. Dans un premier temps, nous rappellerons l'état de l'art des méthodes d'analyse par apprentissage en microscopie, puis nous présenterons les méthodes frugales que nous avons développées pour ces deux tâches. Par la suite, nous présenterons leur intégration sous forme de plugins Napari open-source. Enfin, nous montrerons, à travers des exemples concrets de collaborations à la fois académiques et industrielles, l'intérêt de ces méthodes et les résultats qu'elles fournissent.

In this thesis manuscript, we explore the use of neural networks in a frugal context, i.e. with little training data, applied to microscopy image analysis tasks. In the course of this work, I have carried out substantial integration work in ergonomic user interfaces. These take the form of plugins for Napari, an open-source software package for multi-dimensional image visualization. More broadly, this work brings microscope users and deep learning technologies, currently complex to grasp and implement, closer together through interactive learning software. Biologists are making increasing use of various imaging modalities, with the aim of accessing new sources of information in both basic and applied research contexts. This intensification in the use of microscopes has led to large volumes of data, the analysis of which today poses real technical and scientific questions. Data processing is often carried out manually by biologists (e.g. cell counting), leading to problems of inter- and intra-operator reproducibility of results, as well as processing times that can be very long. The development of deep learning over the last few years has opened up analysis possibilities that were unattainable just a few years ago. Nevertheless, at a time when energy consumption and storage are becoming crucial issues, these approaches pose certain problems. Collecting and annotating large quantities of images is costly and complex. Their reliability is sometimes called into question, as these neural models are frequently considered difficult, if not impossible, to interpret. Today, numerous initiatives are underway to pool models and computational resources, and to research the interpretability of these networks, in order to make them accessible to a wider audience. This thesis focuses on two main areas of image analysis : segmentation and classification. First, we will review the state of the art in learning-based analysis methods for microscopy, and then present the frugal methods we have developed for these two tasks. We will then present their integration as open-source Napari plug-ins. Finally, we'll use concrete examples from both academic and industrial collaborations to demonstrate the value of these methods and the results they deliver.