Méthodes d'apprentissage profond pour l'analyse de données CARS hyperspectrales massives - Application à la bioimagerie (Deep'nCars)

Development of deep learning architectures for the analysis of massive hyperspectral CARS data - Application to bioimaging (Deep'nCars)

• Auteur / Autrice : Jesús Estrada cardenas
• Direction : Philippe Leproux
• Type : Projet de thèse
• Discipline(s) : Sciences et ingénierie pour l'information
• Date : Inscription en doctorat le 15/09/2024
• Etablissement(s) : Limoges
• Ecole(s) doctorale(s) : Sciences et Ingénierie
• Partenaire(s) de recherche : Laboratoire : XLIM
• Partenaire(s) de recherche : Equipe de recherche : XLIM PHOT - Photonique fibre et sources cohérentes

Mots clés

Mots clés libres

Données hyperspectrales

Analyse de données

Apprentissage profond

Données massives

Imagerie biomédicale

Spectroscopie Raman cohérente

Data analysis

Coherent Raman spectroscopy

Biomedical imaging

Big data

Deep learning

Hyperspectral data

Résumé

Cette offre de thèse s'inscrit dans un projet de recherche plus large impliquant les groupes Photonique et ASALI de l'institut XLIM, visant à implémenter une chaîne complète d'acquisition, traitement et analyse de données spectroscopiques CARS (coherent anti-Stokes Raman scattering) pour des applications en biologie et santé [1,2]. Dans ce cadre, le projet Deep'nCars est principalement dédié au développement de nouvelles approches pour réaliser l'analyse non supervisée de données hyperspectrales CARS, dans la continuité d'un travail initial effectué par D. Boildieu [3,4,5]. Pour aller plus loin que cette étude préliminaire, Deep'nCars propose d'intégrer la modélisation complète du phénomène physique intervenant dans la génération du signal vibrationnel hyperspectral, afin d'obtenir une extraction des signatures chimiques/biologiques de qualité supérieure. Bien entendu, cette analyse plus fine conduit à une complexité accrue dans la conception de l'algorithme de traitement des données, un défi majeur qui ne trouve actuellement pas de solution convaincante au sein de la communauté de la microscopie/spectroscopie Raman cohérente. Le projet s'appuie sur le développement de techniques provenant de l'analyse multivariée et de l'intelligence artificielle (IA) afin d'exploiter au mieux les jeux de données collectés par de tels dispositifs photoniques innovants (fouille de données). D'un point de vue méthodologique, il s'agit d'une part de reformuler la décomposition par approche multivariée, et d'autre part de développer plus avant la structure de type autoencodeur (AE), qui n'a pas été utilisée de façon optimale dans le contexte spécifique de la microspectroscopie CARS jusqu'à présent. A savoir, les deux blocs de projection et de reconstruction composant l'AE doivent être configurés en fonction de la nature du signal acquis. S'agissant d'un problème complexe, une structure à complexité adaptative pourrait être requise pour le résoudre.

----- This thesis offer falls within the scope of a broader research project involving the Photonics and ASALI groups of XLIM institute, aiming at implementing a complete chain of acquisition, processing and analysis of CARS (coherent anti-Stokes Raman scattering) spectroscopic data for applications in biology and health [1,2]. In this frame, the Deep'nCars project is mainly devoted to the development of new approaches to achieve the unsupervised analysis of CARS hyperspectral data, in the continuity of a primary work done by D. Boildieu [3,4,5]. To go beyond this preliminary study, Deep'nCars proposes to integrate the complete modeling of the physical phenomenon involved in the generation of the hyperspectral vibrational signal, in order to obtain an extraction of chemical/biological signatures of superior quality. Of course, this finer analysis leads to an increased complexity in the design of the data processing algorithm, a major challenge that currently does not find any convincing solution within the coherent Raman microscopy/spectroscopy community. The project is based on the development of techniques originating from multivariate analysis and artificial intelligence (AI) in order to make the best use of the datasets collected by such innovative photonic devices (data mining). From a methodological point of view, it is a question, on one hand, of reformulating the decomposition by multivariate approach, and, on the other hand, of further developing the autoencoder (AE) structure, which has not been optimally used in the specific context of CARS microspectroscopy up to now. Namely, the two blocks of projection and reconstruction composing the AE have to be customized according to the nature of the signal acquired. This problem being complex, an adaptive complexity framework could be required to solve it.