Super-résolution par apprentissage profond du réseau cellulaire de la dentine

Deep learning based super-resolution imaging of the cellular network in dentin

• Auteur / Autrice : Lauren Anderson
• Direction : Aurélien Gourrier, Kathryn Grandfield, David Rousseau
• Type : Projet de thèse
• Discipline(s) : Physique pour les Sciences du Vivant
• Date : Inscription en doctorat le 01/01/2023
• Etablissement(s) : Université Grenoble Alpes en cotutelle avec Université McMaster
• Ecole(s) doctorale(s) : École doctorale physique (Grenoble, Isère, France ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire de Physique
• Partenaire(s) de recherche : Equipe de recherche : OPTIMA: Optique et Imageries

Mots clés

Mots clés libres

Deep-learning

Super-résolution

Microscopie confocale de fluorescenec

Dentine

Deep-learning

Super-resolution

Confocal fluorescence microscopy

Dentin

Résumé

Les études ultrastructurales des tissus minéralisé sont de plus en plus fréquemment utilisées dans le domaine biomédical pour identifier des marqueurs structuraux pathologiques et mieux comprendre les mécanismes impliqués dans les maladies. Dans le cas de la dentine, des longs prolongements odontoblastiques constituent, à maturité, un élément clé du système mécanosensoriel. Ces prolongements s'étendent à travers la dentine dans des cavités étroites et sont interconnectées par de fines branches latérales, créant ainsi un réseau complexe. En raison de leur faibles dimensions, l'organisation et l'interconnection des branches et tubules sont difficilement caractérisables par les moyens d'imagerie actuelles. Ceci est principalement dû, d'une part, à la nécessité d'atteindre une résolution de l'ordre de la centaine de nanomètres et, d'autre part, au besoin d'évaluer la variabilité statistique en imageant des zones millimétriques. Nous proposons de combiner l'imagerie confocale de fluorescence à différentes résolutions et d'entraîner un réseau de neurones à transférer la haute résolution sur les images à plus basse résolution mais permettant d'atteindre de plus grands champ de vue. Des algorithmes de transfert d'apprentissage seront utilisés pour améliorer les images de microscopie confocale spatialement corrélées à des acquisitions haute résolution (super-résolution), qui peut être utiliser pour obtenir une segmentation pour reconstruire le graphe des composantes connectées d'intérêt. La cible principale sera l'analyse du réseau de porosité cellulaire de la dentine qui contient un réseau cellulaire (odontoblastes) fortement interconnecté.

Ultrastructural studies of mineralized tissues are increasingly used by the biomedical community to identify structural markers of disease and understand pathological mechanisms. In dentin, long odontoblast processes play a key mechanosensory role. These processes extend across dentin, travelling through narrow cavities and interconnected with fine lateral branches, creating a complex network. Due to their small size, the organization and connections are difficult to characterize using current imaging technologies. This is due to the need to achieve a nanoscale resolution, while evaluating a statistically significant area in the order of millimeters. We propose to combine confocal fluorescence microscopy images at different resolutions and train neural networks to transfer low resolution images to a high resolution, achieving a large field of view. Image-to-image translation methods will be used to improve low-resolution confocal images spatially correlated with high resolution images (super-resolution), which can be used to obtain segmented images to reconstruct a graph of connected components of interest. The main target is the characterization of the cellular porosity in dentin which hosts a densely interconnected cellular (odontoblast) network.