Apprentissage profond pour l'inférence, l'augmentation de résolution et laclassification d'images de cellules immunitaires adhérées

Deep Learning for image inference, resolution increase and classification of adhered immune cells

• Auteur / Autrice : Chandrasekar Subramani narayana
• Direction : Laurent Limozin
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : BIOPHYSIQUE
• Date : Inscription en doctorat le 01/12/2021
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Physique et Sciences de la Matière (Marseille)
• Partenaire(s) de recherche : Laboratoire : LAI - Adhésion Cellulaire et Inflammation

Mots clés

Mots clés libres

Apprentissage profond

L'inférence

L'augmentation de résolution

Classification

Cellules immunitaires adhérées

Deep Learning

Inference

Resolution increase

Classification

Adhered immune cells

Résumé

Dans le domaine de l'immunobiologie cellulaire, ces nouvelles modalités combinées à des stimulations de surface contrôlées contiennent de riches informations structurelles et fonctionnelles qui sont largement sous-exploitées. La microscopie à contraste de réflexion interférentielle (Limozin 2009) produit des interférogrammes non marqués codant pour la distance surface cellulaire des cellules adhérentes ainsi que des organites proches (Dejardin 2018). L. Limozin et ses collaborateurs ont généré des surfaces adhésives originales spécifiques à différents types de leucocytes et ont décrit l'adhésion par RICM et l'organisation fluorescente de certaines protéines impliquées dans l'adhésion (Dillard 2014, 2016 ; Pi 2015 ; Gonzalez 2019 ; Nassereddine 2021). Description schématique du projet : Plusieurs modalités de microscopie optique fournissent des images de cellules non marquées (1) ou marquées par fluorescence (2,3). L'inférence de l'étiquetage ou de l'augmentation de la résolution sera explorée par l'apprentissage profond. L'objectif est de parvenir à une classification efficace permettant le phénotypage des cellules immunitaires adhérentes à des fins de diagnostic. Le projet étudiera et développera des algorithmes génératifs d'apprentissage profond pour classer les cellules immunitaires adhérant à des surfaces synthétiques contrôlées, sans marquage par fluorescence. Il exploitera les données LAI originales dans l'imagerie multimodale et la stimulation des cellules immunitaires in vitro.

In the field of cellular immunobiology, these new modalities combined with controlled surface stimulations contain rich structural and functional information that is largely under-exploited. Interferential reflection contrast microscopy (Limozin 2009) produces unlabeled interferograms coding for the cell-surface distance of adherent cells as well as close organelles (Dejardin 2018). L. Limozin and his collaborators have generated original adhesive surfaces specific to different types of leukocytes and described the adhesion by RICM and the fluorescent organization of some proteins involved in adhesion (Dillard 2014, 2016; Pi 2015; Gonzalez 2019; Nassereddine 2021). Schematic description of the project: Several light microscopy modalities provide images of unlabelled (1) or fluorescently labelled (2,3) cells. The inference of labelling or increased resolution will be explored by deep learning. The aim will be to achieve an efficient classification allowing the phenotyping of adherent immune cells for diagnostic purposes. The project will study and develop deep learning generative algorithms to classify immune cells adhered to controlled synthetic surfaces, free from fluorescence labelling. It will exploit the original LAI data in multimodal imaging and stimulation of immune cells in vitro.