Optimisation des techniques d'imageries sans balayage à deux photons dans les milieux diffusants.

Optimization of scanless two photon voltage imaging in scattering media

• Auteur / Autrice : Julien Nassif
• Direction : Benoit Forget
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/01/2025
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : Physique en Ile de France
• Partenaire(s) de recherche : Laboratoire : Institut de la Vision

Mots clés

Mots clés libres

Optogénétique

Imagerie de tension

Neurosciences

Machine learning

Optique

Optogenetics

Voltage imaging

Neuroscience

Machine learning

Optics

Résumé

La première partie de cette thèse sera consacrée au développement et à la caractérisation expérimentale de nouveaux algorithmes de génération d'hologrammes sans speckle, spécifiquement conçus pour cibler des sous-régions neuronales d'intérêt dans le but d'optimiser la fluorescence excitée à deux photons. Ces algorithmes s'appuieront sur des approches innovantes d'ingénierie du front d'onde, destinées à accroître la fidélité des motifs holographiques produits à travers des milieux optiquement diffusants. La seconde partie de la thèse visera à explorer, adapter et appliquer des algorithmes d'apprentissage automatique de dernière génération, récemment introduits dans la communauté scientifique, afin d'améliorer le rapport signal sur bruit (RSB) des enregistrements d'imagerie de tension. Ces approches exploiteront les corrélations spatio-temporelles intrinsèques aux ensembles de données d'imagerie de tension à deux photons sans balayage pour le débruitage et la reconstruction des signaux neuronaux. À cette fin, un vaste ensemble de données d'entraînement sera acquis expérimentalement au moyen d'un Dispositif à Micromiroirs Numériques (DMD), utilisé pour générer des signaux d'imagerie de tension simulés mais physiquement réalistes. Cet ensemble de données servira à évaluer les performances des méthodes existantes et à concevoir de nouveaux algorithmes capables de préserver la cohérence spatio-temporelle des signaux au-delà d'une longueur de diffusion, condition dans laquelle les corrélations spatiales initiales des données sont altérées. Enfin, la troisième partie de cette thèse consistera à intégrer l'ensemble des stratégies d'optimisation développées précédemment — tant au niveau de la génération holographique que du traitement du signal — au sein d'une approche unifiée visant à maximiser la profondeur et la qualité de l'imagerie de tension in vivo à haut rapport signal sur bruit.

The first part of this thesis is devoted to developing and experimentally characterizing new speckle-free hologram generation algorithms. These algorithms are specifically designed to target neuronal subregions of interest, with the aim of optimizing two-photon excited fluorescence. These algorithms rely on innovative wavefront engineering approaches to enhance the fidelity of holographic patterns produced through optically scattering media. The second part of the thesis will explore, adapt, and apply state-of-the-art machine learning algorithms recently introduced to the scientific community to improve the signal-to-noise ratio (SNR) of voltage imaging recordings. These approaches exploit the spatiotemporal correlations present in scanless two-photon voltage imaging datasets to denoise and reconstruct neuronal signals. To this end, a large training dataset will be acquired through experimentation using a digital micromirror device (DMD) to generate simulated yet physically realistic voltage imaging signals. The dataset will evaluate existing methods' performance and design new algorithms capable of preserving spatiotemporal coherence beyond a scattering length. In this regime, the original spatial correlations of the data are altered. The third part of the thesis will integrate all previously developed optimization strategies at the levels of hologram generation and signal processing into a unified framework that maximizes the depth and quality of in vivo, high-SNR voltage imaging.