Optimisation de la microscopie 3D à haute- et super-résolution par l'utilisation de l'apprentissage profond (Deep Learning).

par Xareni Galindo

Projet de thèse en Bioinformatique

Sous la direction de Jean-Baptiste Sibarita.

Thèses en préparation à Bordeaux , dans le cadre de École doctorale Sciences de la vie et de la santé (Bordeaux) , en partenariat avec Institut Interdisciplinaire de Neurosciences (laboratoire) et de Imagerie quantitative de la cellule (equipe de recherche) depuis le 01-10-2019 .


  • Résumé

    Depuis plusieurs décennies, la microscopie de fluorescence a joué un rôle central dans d'importantes découvertes dans les Sciences de la Vie. Néanmoins, les phénomènes qu'elle permet d'observer sont limités par l'optique des microscopes, la chimie des fluorophores, et le nombre maximum de photons auquel les échantillons peuvent être exposés. Même la microscopie de super-résolution, spécifiquement développée pour atténuer certains de ces aspects, nécessite encore d'effectuer des compromis entre la vitesse d'acquisition, la résolution spatiale, le temps d'exposition à la lumière, ou encore la profondeur d'imagerie. D'un autre côté, l'intelligence artificielle, et en particulier l'apprentissage profond (ou deep learning), s'est récemment révélé être particulièrement approprié pour le traitement et la quantification des images biologiques. Plusieurs articles récents publiés dans des journaux à fort impact ont ainsi démontré que l'apprentissage profond pouvait être extrêmement utile dans différents cas : pour l'accélération de l'acquisition des images, pour l'amélioration de la qualité des images ou pour la segmentation efficace des structures imagées. L'apprentissage profond permet donc de dépasser les limites physiques de l'imagerie cellulaire. Cette thèse a pour objectif d'utiliser les approches d'apprentissage profond pour l'optimisation des processus d'acquisition et d'analyse des microscopies à haute- et super-résolution. En s'appuyant sur les développements récents réalisés au sein de l'équipe Imagerie Cellulaire Quantitative, notre but est d'améliorer l'acquisition et l'analyse des images biologiques (1) en accélérant l'acquisition de ces images, (2) en réduisant la photo-toxicité, (3) en optimisant plusieurs paramètres d'acquisition et (4) en segmentant et classifiant des structures biologiques d'intérêt. Le but ultime de ce travail est d'ouvrir la voie vers le microscope « intelligent », un microscope qui offrira des capacités d'acquisition et d'analyse supérieures aux microscopes usuels.

  • Titre traduit

    Deep learning for 3D high- and super-resolution microscopy.


  • Résumé

    For decades, fluorescence microscopy has been a key driver of discoveries in the life sciences, with observable phenomena being however limited by the optics of the microscope, the chemistry of the fluorophores, and the maximum photon exposure tolerated by the sample. Even super-resolution microscopy, developed to alleviate some of these limitations, necessitates trade-offs between imaging speed, spatial resolution, light exposure, and imaging depth. In parallel, deep learning has become a very popular artificial-intelligence (AI) method providing a powerful tool for processing and quantifying biological data. In particular, recent high impact articles have demonstrated that deep learning can be extremely useful to accelerate image acquisition, improve image quality and segment efficiently fluorescence microscopy data, enhancing researchal image processing toolbox and pushing the limits of cellular imaging beyond physical limits. This PhD aims at developing an innovative line of research by combining deep learning approaches to optimize both the acquisition and analysis workflow in 3D high- and super-resolution microscopy. Relying on the recent developments achieved in the Quantitative Imaging of the Cell team, our goal is to significantly improve the acquisition performances by (1) accelerating the image acquisition, (2) reducing the photo-toxicity, (3) optimizing some important acquisition parameters, (4) segmenting and classifying some biological structures of interest. This work aims at paving the way toward a so-called “smart microscope”: an “intelligent” microscope offering advanced acquisition and analysis capabilities.