Intégration par apprentissage profond des contraintes morphologiques dans la reconstruction d'images tomographiques : application en biologie

Integration of morphological constraints in tomographic image reconstruction through deep learning: Application in Biology

• Auteur / Autrice : Anna-Louise Brun
• Direction : Pascal Desbarats, Claire Michelet
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : LaBRI - Laboratoire Bordelais de Recherche en Informatique
• Partenaire(s) de recherche : Equipe de recherche : Images et Son

Mots clés

Mots clés libres

Apprentissage profond

Tomographie

Imagerie 3D

Tomography

Deep Learning

3D imaging

Résumé

La thèse se focalise plus spécifiquement sur trois volets : • La conception de méthodes de reconstruction tomographique basées sur l'apprentissage profond ; • Le test de ces méthodes et l'évaluation de leur exactitude en termes quantitatifs (valeur des densités calculées) en exploitant notamment des fantômes numériques • L'application de ces méthodes sur des données expérimentales d'imagerie de micro-organismes biologiques par diverses techniques (MT par émission X protonique et synchrotron). Les approches sont basées sur des contraintes liées à une connaissance a priori des échantillons (micro-structure, discontinuités, composition chimique globale - par exemple matière organique à base de C, H, O, N pour les échantillons biologiques, support et positivité...) ainsi que sur le procédé d'acquisition et les mesures (géométrie d'acquisition, missing wedge, présence d'atténuations, nature statistique des données acquises). Le développement s'appuie de manière concrète sur le modèle biologique de nématode Caenorhabditis elegans (C. elegans), un micro-organisme multicellulaire d'environ 1 mm de long. Il présente les caractéristiques anatomiques et fonctionnelles d'un organisme biologique multicellulaire avec des constantes en termes de nombre de cellules, de cycle de vie et de développement. Cet organisme s'est de fait imposé en recherche fondamentale au niveau international dans l'étude des grandes fonctions biologiques (génétique, vieillissement, neurosciences).

The thesis focuses on three main aspects: - Designing tomographic reconstruction methods based on deep learning; - Testing these methods and evaluating their accuracy quantitatively (calculated density values) using digital phantoms; - Applying these methods to experimental imaging data of biological microorganisms using various techniques (micro-tomography with protonic X-ray emission and synchrotron radiation). The approaches are based on constraints related to prior knowledge of the samples (microstructure, discontinuities, overall chemical composition - for example, organic matter containing C, H, O, N for biological samples - support, and positivity constraints) as well as on the acquisition process and measurements (acquisition geometry, missing wedge, presence of attenuations, statistical nature of the acquired data). The development will concretely rely on the biological model of the nematode Caenorhabditis elegans (C. elegans), a multicellular microorganism approximately 1 mm long. This organism exhibits the anatomical and functional characteristics of a multicellular biological organism with consistent cell numbers, life cycle, and development patterns. Consequently, it has become a staple in international fundamental research for studying major biological functions (genetics, aging, neuroscience).