Conception d'un prototype de microscope intelligent et autonome

Design of a smart and autonomous microscope prototype

• Auteur / Autrice : Maël Balluet
• Direction : Jacques Pécréaux, Marc Tramier
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 22/01/2021
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : MATHSTIC
• Partenaire(s) de recherche : Laboratoire : Institut de Génétique et Développement de Rennes (UMR 6290)
• Jury : Président / Présidente : Olivier Dameron
• Jury : Examinateurs / Examinatrices : Yannick Gachet
• Jury : Rapporteurs / Rapporteuses : Loïc Le Goff, Nadine Peyriéras

Mots clés

Mots clés contrôlés

Microscopes

Traitement d'images -- Techniques numériques

Temps réel (informatique)

Rétroaction (électronique)

Systèmes embarqués (informatique)

Mots clés libres

Systèmes embarqués (informatique)

Rétroaction (électronique)

Temps réel (informatique)

Traitement d'images

Microscopie

Biologie

Embedded systems

Servo control

Real time

Image analysis

Microscopy

Biology

Résumé

Les systèmes de microscopie optique sont des outils complexes, indispensables à la compréhension du vivant par la recherche fondamentale et appliquée en biologie, dont l'automatisation est un champ d'étude en plein essor. Nous présentons dans cette thèse la conception d'un prototype de système embarqué analysant des images de microscopie en temps-réel et réalisant une boucle de rétroaction avec un microscope. Sa confrontation avec des applications biologiques théoriques nous a permis d'obtenir un modèle théorique générique et modulaire, dont nous avons entamé le test en conditions réelles. Il permet de modifier des modalités d'acquisition d'images d'un microscope en fonction des images analysées à la volée. De plus, il effectue un tri de ces images en ne retournant que celles représentant des objets d'intérêt pour les biologistes. L’analyse des images en temps-réel, nécessitant des classifications précises et rapides. Nous proposons une méthode d'optimisation d'un outil générique de classification d'images, dont nous identifions les caractéristiques pertinentes avec un faible temps d’extraction. Nous avons mis en évidence une redondance des caractéristiques qui permet d’exclure les plus longues à calculer même si ce sont les plus discriminantes. Ainsi, une dizaine de caractéristiques permet de classer 14 cellules par seconde avec une précision supérieure à 80 % avec une Random Forest ou un réseau de neurones. Ces travaux ouvrent des perspectives d’optimisation des systèmes de classification en apprentissage automatique, y compris profond. En conclusion, nous avons mis en place les bases d’un microscope intelligent et autonome, ouvrant la voie à une nouvelle génération de microscopie, contribuant à l’émergence d’une médecine de précision.

Optical microscopy systems are complex tools, essential to investigate the living through fundamental and applied research. Automating them is a vibrant field. We report in this PhD dissertation the design and development of a prototype of an embedded system performing real-time image analysis and feeding back to microscope control. Confronting it to different kinds of theoretical biological applications, we obtain a generic and modular functional solution. We already started testing in real conditions. In particular, our system can modify the microscope settings in real-time, depending upon simulated acquired images. Furthermore, it sorts out these images, returning only the ones relevant for biology. Key to succeeding in this approach is real-time image processing. We offer a way to optimize a generic image classification, identifying the features relevant for classification and which extracting is not computationally intensive. We highlighted features redundancy, which allowed us to exclude the most time-consuming one despite their high relevance. Thus, about ten so-selected features are enough to classify 14 cells per second with an accuracy greater than 80%, using random forest or a neural network. This work opens perspectives in optimizing machine learning methods including deep learning. In conclusion, we developed the foundation of a smart and autonomous microscope, paving the way to a new microscopy generation. It contributes to rising of high precision medicine based on microscopy.