Méthodes de traitement et d’analyse d’image par réseaux de neurones pour la microscopie de fluorescence

Neural network image processing and analysis methods for fluorescence microscopy

• Auteur / Autrice : Emmanuel Bouilhol
• Direction : Macha Nikolski
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/12/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de biochimie et génétique cellulaires (Bordeaux)
• Jury : Président / Présidente : Pascal Desbarats
• Jury : Examinateurs / Examinatrices : Jean-Christophe Olivo-Marin, Laure Blanc-Féraud, Emeline Ribot
• Jury : Rapporteurs / Rapporteuses : Christine Fernandez-Maloigne, Thomas Edgar Walter

Mots clés

Mots clés contrôlés

Apprentissage profond

Microscopie de fluorescence

Imagerie moléculaire

Mots clés libres

Deep Learning

Analyse d'image

Microscopie de fluorescence

Analyses spatiales

Deep Learning

Image analysis

Fluorescent microscopy

Spatial analysis

Résumé

Le développement des méthodes de microscopie de fluorescence permet aujourd'hui l'acquisition de données d'imagerie cellulaire à haut débit et à une résolution moléculaire. Ces techniques sont désormais un élément essentiel pour faire la lumière sur les processus cellulaires. Ainsi, la microscopie rend possible l'étude de phénotypes cellulaires couvrant les phénomènes globaux tels que les modifications morphologiques de la cellule entière et de ses composants, ou encore la détection de l'altération des processus cellulaires grâce à la quantification et localisation des molécules. Dans cette thèse, nous nous intéresserons particulièrement à l'emploi de méthodes informatiques et mathématiques pour analyser de manière quantitative les données d'imagerie de microscopie de fluorescence. Dans le premier chapitre, il s'agit d'étudier comment l'utilisation de réseaux de neurones à convolution dédiés au rehaussement de l'intensité du signal de fluorescence des spots d'ARNm dans les images de microscopie permet d'automatiser leur détection en aval par des outils conventionnels largement utilisés par la communauté d'analyse d'images de microscopie. Nous présentons dans ce chapitre la méthode DeepSpot, et nous montrons qu'en renforçant le signal de tous les spots de manière à ce qu'ils aient la même intensité sur toutes les images, indépendamment du contraste, du bruit ou de la taille des spots, il devient possible d'automatiser leur détection en aval.Dans le second chapitre, nous proposons une approche de deep learning non supervisée de rehaussement du signal des noyaux cellulaires. Plus précisément, nous appliquons le transfert de style entre des images d'organoïdes acquises avec une faible intensité lumineuse vers des images sur lesquelles les noyaux sont visiblement saillants, sans qu'une annotation préalable des images ne soit requise. Pour cela, nous avons implémenté un CycleGAN avec une fonction de coût sur mesure dédiée à l'augmentation du signal des noyaux. Nous avons entraîné ce réseau de neurones et évalué l'impact du rehaussement du signal des noyaux sur leur segmentation en aval, à l'aide de méthodes conventionnelles ainsi qu'avec des méthodes basées sur l'apprentissage.Dans le troisième chapitre, nous présentons DypFISH, une librairie d'analyse de données spatiales, qui propose des outils d'analyse quantitative pour étudier les localisations subcellulaires des ARNm et des protéines de manière statistiquement robuste. Entre autres, DypFISH introduit des techniques qui permettent l'évaluation conjointe des données ponctuelles d'ARNm dans les images smFISH et des données continues de protéines par immunofluorescence (IF).

The advent of fluorescence microscopy methods make it currently possible to acquire cellular imaging data on a molecular scale at that in high-throughput fashion. These techniques now constitute an essential tool for unraveling cellular processes. Thus, microscopy makes it possible to study cellular phenotypes covering global phenomena such as morphological modifications of the whole cell and of its components, or the detection of alterations of cellular processes thanks to the quantification and localization of molecules. In this thesis, we will focus on the use of computational and mathematical methods to quantitatively analyse fluorescence microscopy imaging data. In the first chapter, we study how the use of convolutional neural networks dedicated to the enhancement of the intensity of fluorescence signal of mRNA spots in microscopy images allows to automate their downstream detection by conventional tools widely used by the microscopy image analysis community. In this chapter, we present the DeepSpot deep learning method, and show that by enhancing the signal of all spots up to the same intensity in all images, regardless of the contrast, noise or size of the spots, it enables seamless automation of their downstream detection.In the second chapter, we propose an unsupervised deep learning approach for cell nuclei signal enhancement. More precisely, we apply style transfer between images of organoids acquired with low light intensity to images where the nuclei are visibly prominent, without requiring prior annotation of the images. For this purpose, we implemented a CycleGAN with a custom cost function dedicated to the signal enhancement of nuclei. We trained this neural network and evaluated the impact of nuclei signal enhancement on their downstream segmentation, using conventional methods as well as learning-based methods.In the third chapter, we present DypFISH, a spatial data analysis library, which provides quantitative analysis tools to study subcellular localizations of mRNAs and proteins in a statistically robust manner. In particular, DypFISH introduces techniques that allow joint evaluation of point data of mRNA in smFISH images and continuous immunofluorescence (IF) protein data