Segmentation d'images de microscopie électronique par apprentissage profond pour l'analyse quantitative de l'ultrastructure cellulaire

Deep learning image segmentation in electron microscopy for quantitative analysis of cellular ultrastructure

• Auteur / Autrice : Cyril Meyer
• Direction : Benoît Naegel, Patrick Schultz
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/11/2023
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Nicolas Passat
• Jury : Examinateurs / Examinatrices : Etienne Baudrier
• Jury : Rapporteurs / Rapporteuses : Benjamin Perret, Su Ruan

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Apprentissage profond

Mots clés libres

Apprentissage profond

Segmentation sémantique

Morphologie mathématique

Segmentation interactive

Annotations faibles

Microscopie électronique

Imagerie cellulaire

Deep learning

Semantic segmentation

Mathematical morphology

Interactive segmentation

Sparse annotations

Electron microscopy

Cellular imaging

Résumé

L'imagerie FIB-SEM permet d'obtenir des images 3D de résolution nanométrique en microscopie électronique cellulaire.Une segmentation sémantique de ces images est nécessaire pour permettre une analyse quantitative et comparative de l'ultrastructure cellulaire. Les méthodes actuelles basées sur les réseaux de neurones convolutifs rencontrent des défis liés à la rareté des données annotées, au bruit et aux variations d'acquisition.L'objectif de la thèse est de développer des méthodes de segmentation robustes. La première partie de nos travaux se concentre sur l'optimisation des hyperparamètres pour la segmentation d'image par apprentissage profond. Une seconde partie s'intéresse aux méthodes interactives et utilisant les annotations faibles afin de réduire le temps d'annotation. La dernière partie concerne les méthodes combinant apprentissage profond et morphologie mathématique dans le but d'améliorer la qualité de la segmentation.

FIB-SEM imaging provides 3D images with nanometric resolution in cellular electron microscopy. Semantic segmentation of these images is required to enable quantitative and comparative analysis of cell ultrastructure. Current methods based on convolutional neural networks face challenges related to the scarcity of annotated data, noise, and acquisition variations.The thesis aims to develop robust segmentation methods. The first part of our work focuses on hyperparameter optimization for image segmentation using deep learning. A second part explores interactive methods and sparse annotations to reduce annotation time. The last part concerns methods combining deep learning and mathematical morphology to improve segmentation quality.