Méthodes de résolution de courbes multivariées pour la microspectroscopie CARS

Multivariate curve resolution methods for CARS microspectroscopy

• Auteur / Autrice : Damien Boildieu
• Direction : Philippe Leproux, Philippe Carré
• Type : Thèse de doctorat
• Discipline(s) : Electronique des Hautes Fréquences, Photonique et Systèmes
• Date : Soutenance le 15/12/2022
• Etablissement(s) : Limoges
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie (Limoges ; 2022-)
• Partenaire(s) de recherche : Laboratoire : XLIM
• Jury : Président / Présidente : Frédéric Morain-Nicolier
• Jury : Examinateurs / Examinatrices : Philippe Leproux, Philippe Carré, Amandine Magnaudeix, David Helbert
• Jury : Rapporteurs / Rapporteuses : Olivier Piot, Olivier Laligant

Mots clés

Mots clés contrôlés

Chimiométrie

Imagerie en biologie

Spectres moléculaires

Spectroscopie Raman

Mots clés libres

Résolution de courbes multivariées

Auto-encodeurs

Contrainte spatiale

Diffusion Raman anti-Stokes cohérente

Imagerie cellulaire

Multivariate curve resolution

Autoencoders

Spatial constraint

Coherent anti- Stokes Raman scattering

Cell imaging

Résumé

La visualisation d’échantillons biologiques comme les cellules ou les tissus est une pratique habituelle pour les biologistes. Cette opération nécessite le plus souvent l’ajout de marqueurs pour mettre en évidence les constituants ou molécules d’intérêts. Cependant, l’ajout de ces marqueurs nécessite plusieurs étapes de traitement et altère de manière irrémédiable l’échantillon observé. Une alternative permettant de s’abstraire des marqueurs est la microspectroscopie vibrationnelle. Cette méthode permet d’utiliser le phénomène de vibration des liaisons chimiques pour acquérir un spectre caractérisant la composition chimique de l’échantillon. L’utilisation de cette méthode en plusieurs points permet d’acquérir une cartographie avec une forte richesse spectrale. Afin d’exploiter cette richesse et caractériser au mieux la composition du spécimen étudié, la résolution de courbes multivariées (ou MCR de l’anglais multivariate curve resolution) a pour objectif de déterminer les composants présents en caractérisant leur signature spectrale et leur concentration en chaque point de mesure de la cartographie. De nos jours, la MCR est essentiellement résolue par des régressions linéaires et ne tient pas compte de l’aspect spatial des données. Dans cette thèse, l’application de la résolution de courbes multivariées à des acquisitions de cellules et tissus utilisant la méthode de diffusion Raman anti-Stokes cohérente est introduite. Dans un second temps, une contrainte de segmentation est intégrée au sein de la MCR par l’implémentation d’une segmentation par contour actif. Pour finir, l’utilisation d’auto-encodeurs pour accomplir la MCR et intégré l’information spatiale est étudiée. Les résultats obtenus ont permis de mettre en évidence la visualisation de différents organites présents au sein de cellules en accord avec l’état de l’art ainsi qu’une caractérisation de leur signature spectrale. L’ajout de la contrainte permet une segmentation efficace de cellules et, combiné avec les résultats sans segmentation, apporte une information supplémentaire pour l’analyse des résultats. L’étude des auto-encodeurs met en évidence leur potentiel pour appliquer la MCR tout en abordant les limites liées à l’initialisation aléatoire des poids du réseau.

Visualization of biological samples such as cells or tissues is a common practice for biologists. This operation usually requires the addition of markers to highlight the constituents or molecules of interest. However, the addition of these markers requires several processing steps and alters the observed sample. To avoid these steps, an alternative allowing is vibrational microspectroscopy. This method allows to use the vibration of chemical bonds to acquire a spectrum characterizing the chemical composition of the sample. The acquisition of several points allows to acquire a cartography with a strong spectral richness. In order to exploit this richness and characterize the composition of the specimen studied, the multivariate curve resolution (MCR) aims to determine the components present by characterizing their spectral signature and their concentration at each measurement point. Nowadays, the MCR is essentially solved by linear regressions and does not take into account the spatial aspect of the data. In this thesis, the application of multivariate curve resolution to cell and tissue acquisitions with coherent anti-Stokes Raman scattering is introduced. In a second step, a segmentation constraint is integrated into the MCR by implementing an active contour segmentation. Finally, the use of autoencoders to accomplish the MCR and integrate spatial information is studied. The results allowed to highlight the visualization of different organelles present within cells in agreement with the state of the art as well as a characterization of their spectral signature. The addition of the constraint allows an efficient segmentation of cells and, com- bined with the results without segmentation, brings additional information for the analysis of the results. The study of autoencoders highlights their potential to apply the MCR while addressing the limitations related to the random initialization of the network weights.