Apprentissage statistique versatile pour la microscopie appliquée au neurodéveloppement

Versatile machine learning for neurodevelopmental imaging

• Auteur / Autrice : Seongbin Lim
• Direction : Emmanuel Beaurepaire, Anatole Chessel
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 13/10/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Optique et Biosciences (Palaiseau, Essonne) - Laboratoire d'Optique et Biosciences
• Jury : Président / Présidente : Elsa D. Angelini
• Jury : Examinateurs / Examinatrices : Emmanuel Beaurepaire, Anatole Chessel, David Rousseau, Thomas Walter, Thierry Pécot
• Jury : Rapporteurs / Rapporteuses : David Rousseau, Thomas Walter

Mots clés

Mots clés contrôlés

Développement neurologique

Microscopie de fluorescence

Apprentissage automatique

Mots clés libres

Apprentissage statistique

Microscopie par fluorescence

Neurobiologie du developpement

Machine learning

Fluorescence microscopy

Developmental neuroscience

Résumé

Les progrès récents de la microscopie nous permettent d’acquérir des images de grands volumes qui permettent d'aborder de nouvelles questions en biologie du neurodéveloppement. Cependant, ces projets rencontrent des difficultés pour analyser la quantité massive de données d’image qu’ils produisent. Nous proposons une approche basée sur l'apprentissage en profondeur, qui s'est révélée efficace pour la résolution de diverses tâches de vision par ordinateur, pour automatiser l'analyse et le prétraitement des images. Ce travail comprend le développement de filtres profonds, le traçage automatisé des axones et la visualisation sémantique de données, qui seront essentiels pour analyser les images, ainsi que la création d’une infrastructure de données permettant de stocker efficacement les données pour permettre un accès facile.

Recent advances in microscopy allow us to acquire large-volume images that can be used to address novel questions in neurodevelopmental biology. However, these projects are facing difficulty in analyzing massive amount of image data they yield. We will propose a deep learning approach, which proved itself effective in solving various computer vision tasks, to automate analysis and preprocessing of images. This work includes developing deep filters, automated axon tracing, and semantic data visualization, which will be essential to analyze the images, along with building a data infrastructure to efficiently store data and to enable easy access to data.