Nouvelle étape dans l'amélioration des images de microscopie optique
Une nouvelle architecture d'apprentissage profond permet une plus grande efficacité par rapport aux méthodes largement utilisées
C'est le traitement informatique des images qui révèle les détails les plus fins d'un échantillon placé sous toutes sortes de microscopes optiques. Même si ce traitement a beaucoup progressé, il est encore possible d'améliorer, par exemple, le contraste et la résolution des images. Basé sur une architecture unique d'apprentissage profond, un nouveau modèle de calcul développé par des chercheurs du Center for Advanced Systems Understanding (CASUS) du Helmholtz-Zentrum Dresden-Rossendorf (HZDR) et du Max Delbrück Center for Molecular Medicine est plus rapide que les modèles traditionnels tout en égalant, voire en surpassant, la qualité de leurs images. Le modèle, appelé Multi-Stage Residual-BCR Net (m-rBCR), a été spécifiquement développé pour les images de microscopie. Présenté pour la première fois lors de la conférence biennale European Conference on Computer Vision (ECCV), le principal événement dans le domaine de la vision par ordinateur et de l'apprentissage automatique, l'article correspondant de la conférence, évalué par les pairs, est maintenant disponible.
Le nouveau modèle donne une nouvelle tournure à une technique de traitement d'image appelée déconvolution. Cette méthode à forte intensité de calcul améliore le contraste et la résolution des images numériques capturées dans des microscopes optiques tels que les microscopes à grand champ, confocaux ou à transmission. La déconvolution vise à réduire le flou, un certain type de dégradation de l'image introduite par le système microscopique utilisé. Les deux principales stratégies sont la déconvolution explicite et la déconvolution basée sur l'apprentissage profond.
Les approches de déconvolution explicite sont basées sur le concept de fonction d'étalement du point (PSF). Une fonction d'étalement du point décrit essentiellement la manière dont une source lumineuse ponctuelle infiniment petite provenant de l'échantillon est élargie et étalée dans une figure de diffraction tridimensionnelle par le système optique. En d'autres termes : Dans une image enregistrée (en deux dimensions), il y a toujours un peu de lumière provenant de structures non focalisées qui produisent le flou. En connaissant la PSF d'un système microscopique, il est possible de calculer le flou pour obtenir une image qui ressemble beaucoup plus à la réalité que l'image enregistrée non traitée.
"Le gros problème des techniques de déconvolution basées sur la PSF est que la PSF d'un système microscopique donné n'est souvent pas disponible ou imprécise", explique le Dr Artur Yakimovich, chef d'un groupe de jeunes chercheurs CASUS et auteur correspondant de l'article de l'ECCV. "Depuis des décennies, on travaille sur ce que l'on appelle la déconvolution aveugle, où la PSF est estimée à partir de l'image ou de l'ensemble d'images. Cependant, la déconvolution aveugle reste un problème très difficile et les progrès réalisés sont modestes."
Comme l'a montré par le passé l'équipe de Yakimovich, l'utilisation de la boîte à outils de "résolution de problèmes inverses" fonctionne bien en microscopie. Les problèmes inverses consistent à retrouver les facteurs de causalité à l'origine de certaines observations. En général, il faut beaucoup de données et d'algorithmes d'apprentissage profond pour résoudre ce type de problèmes avec succès. Comme pour les méthodes de déconvolution explicites, les résultats sont des images à plus haute résolution ou de meilleure qualité. Pour l'approche présentée à l'ECCV, les scientifiques ont utilisé un réseau neuronal informé par la physique appelé Multi-Stage Residual-BCR Net (m-rBCR).
L'apprentissage en profondeur déployé différemment
En général, il existe deux variantes de base pour le traitement des images. On peut partir de la représentation spatiale classique d'une image ou de sa représentation fréquentielle (ce qui nécessite une étape de transformation à partir de la représentation spatiale). Dans ce dernier cas, chaque image est représentée comme une collection d'ondes. Les deux représentations sont utiles. Certaines opérations de traitement sont plus faciles à réaliser sous une forme et d'autres sous l'autre. La grande majorité des architectures d'apprentissage profond opèrent dans le domaine spatial. Ce domaine est bien adapté aux photographies. Cependant, les images de microscopie sont différentes. Elles sont principalement monochromatiques. Dans le cas de techniques telles que la microscopie à fluorescence, il s'agit de sources lumineuses spécifiques sur un fond noir. C'est pourquoi le m-rBCR utilise la représentation des fréquences comme point de départ.
"L'utilisation du domaine fréquentiel dans de tels cas peut aider à créer des représentations de données optiquement significatives - une notion qui permet à m-rBCR de résoudre la tâche de déconvolution avec étonnamment peu de paramètres par rapport à d'autres architectures modernes d'apprentissage profond", explique Rui Li, premier auteur et présentateur à l'ECCV. Li a suggéré de faire progresser l'architecture du réseau neuronal d'un modèle appelé BCR-Net, lui-même inspiré d'un schéma de compression de signaux basé sur la représentation des fréquences introduit dans les années 1990 par Gregory Beylkin, Ronald Coifman et Vladimir Rokhlin (ce qui explique le nom de la transformation BCR).
L'équipe a validé le modèle m-rBCR sur quatre ensembles de données différents, deux ensembles de données d'images de microscopie simulées et deux ensembles de données de microscopie réelles. Il démontre des performances élevées avec beaucoup moins de paramètres d'apprentissage et un temps d'exécution plus court par rapport aux derniers modèles basés sur l'apprentissage profond et, bien sûr, il surpasse également les méthodes de déconvolution explicites.
Un modèle adapté aux images de microscopie
"Cette nouvelle architecture tire parti d'une manière négligée d'apprendre des représentations au-delà des approches classiques de réseaux neuronaux convolutifs", résume le coauteur, le professeur Misha Kudryashev, chef du groupe "Biologie structurelle in situ" du Max-Delbrück-Centrum für Molekulare Medizin à Berlin. "Notre modèle réduit considérablement les paramètres potentiellement redondants. Comme le montrent les résultats, cela ne s'accompagne pas d'une perte de performance. Le modèle est explicitement adapté aux images de microscopie et, grâce à son architecture légère, il remet en question la tendance des modèles toujours plus gros qui nécessitent toujours plus de puissance de calcul."
Le groupe de Yakimovich a récemment publié un modèle d'amélioration de la qualité des images basé sur l'intelligence artificielle générative. Ce modèle de diffusion variationnelle conditionnelle produit des résultats de pointe qui surpassent également le modèle m-rBCR présenté ici. "Cependant, vous avez besoin de données d'entraînement et de ressources informatiques, notamment d'unités de traitement graphique suffisantes, qui sont très recherchées de nos jours", rappelle M. Yakimovich. "Le modèle léger m-rBCR n'a pas ces limitations et donne toujours de très bons résultats. Je suis donc persuadé que nous gagnerons en popularité dans la communauté de l'imagerie. Pour y parvenir, nous avons déjà commencé à améliorer la convivialité."
Le groupe de Yakimovich "Machine Learning for Infection and Disease" vise à comprendre le réseau complexe d'interactions moléculaires qui est actif après que le corps a été infecté par un pathogène. L'utilisation des nouvelles possibilités de l'apprentissage automatique est essentielle à cet égard. Les domaines d'intérêt comprennent l'amélioration de la résolution des images, la reconstruction d'images en 3D, le diagnostic automatisé des maladies et l'évaluation de la qualité de la reconstruction des images.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités du secteur des sciences de la vie
Ne manquez plus aucune actualité : notre newsletter consacrée aux biotechnologies, au secteur pharmaceutique et aux sciences de la vie vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
