L’intelligence artificielle dans

l’analyse des images

microscopiques
Plan

1- Introduction
2- Généralités sur le microscope
3- Définition des termes de l’IA
4- IA dans la segmentation des IMs
5- IA dans la classification des Ims
6- Exportation des données
7- conclusion
Introduction
Depuis plus d’une décennie, l’intelligence artificielle (IA) vit une
accélération dans son développement et son adoption. En médecine, elle
intervient dans la recherche fondamentale et clinique, la pratique hospitalière,
les examens médicaux, les soins ou encore la logistique. Ce qui contribue à
l’affinement des diagnostics et des pronostics, à une médecine encore plus
personnalisée et ciblée, à des avancées dans les technologies d’observations et
d’analyses ou encore dans les outils d’interventions chirurgicales et autres
robots d’assistance.

Dans notre exposé on va parlé sur IA appliqué dans les logiciels intégrés
dans le microscope
Généralités sur le microscope

Le microscope est un instrument utilisé

pour voir des objets trop petits à l'oeil
nu.

Divers types de microscopes

existent :
simple, optique, électronique, etc.
Ces instruments optiques sont utilisés
pour la recherche
médicale, biologique et médico-légale et
sur les matériaux.
Définition des termes de l’IA

Intelligence artificielle (IA) : simulation de processus d’intelli-

gence humaine par des systèmes informatiques.

Apprentissage machine (AM) : approche pour atteindre l’IA en uti-

lisant des algorithmes afin de déterminer ou de prédire des modèles
basés sur des données existantes. Les algorithmes d’apprentissage
machine déduisent ensuite automatiquement les règles permettant de
distinguer les classes.
Définition des termes de l’IA

Apprentissage profond (AP) : sous-ensemble des méthodes

d’apprentissage machine qui utilisent des réseaux de neurones ar-
tificiels (RNA) pour apprendre les relations d'entrée/sortie. Les
RNA sont des modèles mathématiques représentés par plusieurs
couches de « neurones » ou cellules computationnelles.
IA dans la segmentation des IMs

L’analyse automatisée d’images fait partie intégrante de la plupart des plate-

forme d’imagerie haut contenu. La capacité à surveiller les cellules en
temps réel et à en extraire des informations significatives dépend
d’une analyse robuste des images de lumière transmise sans marquage. Les
difficultés associées à l’analyse des images en fond clair comprennent le
faible contraste, le bruit de fond irrégulier et les artefacts d’imagerie. Un en-
semble défini de paramètres globaux ne réussit que rarement à segmenter
des objets évalués par imagerie en fond clair. Les avancées récentes de
l’apprentissage machine améliorent le flux de travail de l’analyse
d’images et permettent une segmentation plus robuste des images dans des
IA dans la segmentation des IMs

Dans l’analyse des images biologiques, l’apprentissage profond fournit une

boîte à outils puissante pour s’attaquer à la segmentation des images
et au suivi des objets. L’analyse d’images traditionnelle implique géné-
ralement la définition d’un ensemble fixe de paramètres pour segmenter
les objets d’intérêt en vue d’une quantification en aval. Cependant, ces
paramètres prédéfinis ne fonctionnent pas pour toutes les expériences
en raison de la grande variabilité des conditions expérimentales. Les ajus-
tements manuels du protocole d’analyse ne sont pas pratiques en
raison de l’énorme volume de données d’imagerie dans un environnement
haut débit.
IA dans la segmentation des IMs

Pour surmonter ces difficultés, des outils d’appren-

tissage machine peuvent être utilisés pour la segmentation
des images et la classification des objets afin d’automatiser le
flux de travail d’analyse d’images.
IA dans la segmentation des IMs
IA dans la segmentation des IMs

La segmentation automatique des objets dans les images de

microscopie peut s’avérer difficile en raison de la nature
diverse des ensembles de donnés. Le logiciel d’analyse d’images
utilise un module de segmentation pouvant être entraîné et uti-
lisant un algorithme d’apprentissage par réseau neuronal
convolutionnel profond pour résoudre ces problèmes difficiles.
IA dans la segmentation des IMs

Surmonter les difficultés de la segmentation d’images avec des

modèles basés sur l’apprentissage machine :
IA dans la segmentation des IMs

Nous présentons des exemples de différents modèles biologiques qui posent

des problèmes d’analyse quantitative. Les sphéroïdes 3D mis en culture
dans des plaques à microcavités produisent une ombre autour de chaque mi-
crocavité qui interfère avec la segmentation des objets (flèche). Les orga-
noïdes 3D sont mis en culture dans du Matrigel, ce qui produit souvent un
bruit de fond non homogène en raison de la distorsion du dôme de
Matrigel et des objets situés au-delà des plans d’imagerie (encadré).
 Les iPSC se développent sous forme de cultures relativement plates ;
par conséquent, le faible contraste (flèche bleue) et les débris (flèche jaune)
empêchent une segmentation robuste des images des colonies d’iPSC.
IA dans la segmentation des IMs

Vue d’ensemble du flux de tra-

vail de l’apprentissage de
modèle : Générer des images pour
l’apprentissage>
Former le modèle >
Tester le modèle >
Répéter.
IA dans la segmentation des IMs
IA dans la segmentation des IMs

Principales étapes de la création d’un modèle dans le logiciel, avec des

 

exemples d’images présentés. Les images sont annotées à l’aide

d’outils de marquage pour indiquer les objets d’intérêt et le bruit
de fond. L’image annotée représentant la situation réelle est ajoutée
à l’ensemble d’apprentissage. Lors de l’étape d’apprentissage,
un modèle est créé sur la base du modèle existant qui convient
le mieux et des annotations spécifiées par l’utilisateur. Dans
l’exemple présenté, il est nécessaire de corriger le masque de seg-
mentation (étape 3), en répétant les étapes 1 à 3.
IA dans la classification des IMs

Le logiciel d’analyse d’images dans le microscope comprend

également un module de classification au niveau des objets pou-
vant être entraîné. Ce module utilise des mesures de segmenta-
tion pour regrouper les objets ayant une apparence visuelle simi-
laire. Ce faisant, on peut évaluer si un traitement génère
un phénotype favorable et même déduire les mécanismes sous-ja-
cents impliqués
IA dans la classification des IMs

En utilisant l’apprentissage machine, toutes les caractéris-

tiques visuelles peuvent être analysées simultanément afin
d’optimiser l’ensemble complexe de règles nécessaires pour af-
fecter les objets à leur groupe approprié. Cette approche hau-
tement multi-variable et basée sur les données est bien
plus à même de résoudre les différences phénotypiques sub-
tiles et est plus robuste contre l’attribution d’objet à un groupe in-
approprié.
Exportation des données

Le logiciel d’analyse d’images IN Carta fournit des résultats

quantitatifs robustes à partir d’images et d’ensembles de don-
nées biologiques complexes en utilisant une technologie d’IA
avancée. Importez directement ces données dans une base de
donnée , plateforme Web intuitive qui guide les utilisateurs à
travers un flux de travail type pour l’analyse de données
multiparamétriques haut contenu.
Conclusion

Finalement les logiciels d’analyse d’images microsco-

piques et les techniques qui ont été développés pour résoudre le
problème de la segmentation de ces images. Cependant, il n’y a pas
de solution générique pour résoudre ce problème. Ces techniques
doivent être combinées avec les connaissances du domaine afin
de trouver une solution de segmentation efficace
mais ces logiciels reste toujours un très bon système d’aide au
diagnostic et minimise le temp de traitement des images pour
les spécialistes et les chercheurs
Merci pour votre
attention