- index
- >Actualités
- >Soutenance de thèse de Monsieur Ali AHMAD
Soutenance de thèse de Monsieur Ali AHMAD10h00 | CREATIS Lyon | Amphithéâtre Bibliotèque UCBL
Le 23 septembre 2021
Sujet : Simulation et apprentissage machine pour l’analyse d’images de cellules uniques basée sur la microscopie à fluorescence en microfluidique
Directeurs de thèse : D. SARRUT (CREATIS, Lyon); co-directeurs: C. FRINDEL (CREATIS, Lyon), D. ROUSSEAU
Résumé
Cette thèse se situe dans le contexte de l’étude des cellules isolées, i.e. la cytologie. Cette branche de l’analyse du vivant est en pleine évolution grâce à des apports technologiques révolutionnaires. Ainsi, grâce à la microfluidique, les cellules peuvent désormais être amenées automatiquement sous un microscope. Par ailleurs, grâce aux études sur les organoïdes et la transparisation des tissus il est possible d’observer in situ les caractéristiques individuelles des cellules dans des agrégats en 3D. La puissance de ces évolutions technologiques en cytologie est possiblement décuplée quand elles sont associées à la diversité de modalités de microscopies à fluorescence ou encore à l’apprentissage machine.
Ces nouvelles opportunités en cytologie moderne amènent également un lot de questions ouvertes : Quel microscope choisir ? Quelle résolution ? Comment accélérer le débit de l’imagerie sans augmenter le coût de l’expérimentation ?
La réponse à ces questions dépend bien sûr de la question biologique posée mais la méthodologie pour y répondre peut-être générique. Nous les abordons avec une approche originale de simulation numérique en montrant l’apport de la simulation pour de l’instrumentation virtuelle et pour de l’augmentation de données en apprentissage machine.
Sur cellules uniques, nous montrons que lorsqu’une tâche de tri est seulement visée, il est possible de recourir à la microscopie 2D sous-résolue ou à l’imagerie diffractive en utilisant des caractéristiques texturales. Aussi, nous montrons que l’effet de flou apporté par la microfluidique peut être négligeable. Sur agrégats cellulaires, la détection individuelle de cellules est fortement dépendante de la qualité des images acquises. Un facteur important permettant d’avoir des images de haute qualité est la clarification chimique des échantillons. Néanmoins, ces méthodes sont invasives et coûteuses. Dans une deuxième partie de la thèse, nous montrons la puissance de l’apprentissage profond pour réaliser une clarification numérique des échantillons par apprentissage de type transfert.
MOTS-CLÉS : Microscopie à fluorescence, Système microfluidique, Cellule unique, tri des cellules, Simulation des images microscopiques, apprentissage automatique, Instrumentation virtuelle, Sphéroïde, clarification numérique.
