L’intelligence artificielle (IA) et l’apprentissage automatique (ML) sont devenus des outils utiles pour les spectroscopistes qui souhaitent analyser relativement rapidement de grands ensembles de données. Spectroscopie a récemment rencontré Ana Doblas, chercheuse principale du laboratoire de recherche en imagerie optique de l’Université du Massachusetts à Dartmouth, lors de la conférence SPIE Photonics West pour discuter de la manière dont l’IA joue un rôle plus important en microscopie.
Les intérêts de recherche actuels de Doblas se concentrent sur l’ingénierie optique, l’optique informatique et l’imagerie tridimensionnelle, avec un intérêt particulier pour la conception de nouveaux systèmes d’imagerie microscopique et leurs applications (1). La mission de son laboratoire est d’intégrer la recherche et l’éducation pour stimuler l’intérêt pour l’ingénierie optique, en fournissant aux étudiants un ensemble unique de compétences pour concevoir et construire de futures technologies en optique et photonique. Depuis 2012, elle est l’auteur de 40 articles dans des revues scientifiques à comité de lecture, ses travaux ont été présentés dans plus de 80 conférences internationales et elle est co-inventrice de 3 brevets américains.
Dans cette interview, Doblas discute de l’apprentissage profond, en particulier de la microscopie holographique numérique sans lentille (DLHM), et de ses utilisations dans les algorithmes de reconstruction, ainsi que de la manière dont l’intelligence artificielle peut être utilisée dans l’imagerie microscopique et la microscopie en général.
Ana Doblas | Crédit d’image : © Ana Doblas
Q : Qu’est-ce que le DLHM ? Pouvez-vous expliquer comment cela fonctionne ?
UN: DLHM est un terme vraiment sophistiqué pour décrire essentiellement la propagation ou la diffraction de la lumière. En d’autres termes, un microscope holographique numérique sans lentille est essentiellement une forme d’onde sphérique illuminant un échantillon, puis nous enregistrons le motif de diffraction ou ce que certains appellent l’image holographique en ligne sans lentille. L’image enregistrée n’est pas une réplique nette de l’échantillon. Mais si l’échantillon est placé suffisamment près du capteur/de la caméra, l’image enregistrée ressemble beaucoup à celle mise au point.
Q : Pourquoi est-il préférable d’utiliser le DLHM plutôt que d’autres types d’objectifs/matériel ?
UN: Je définirais « mieux » plutôt comme « simple, compact et bon marché » puisqu’il suffit d’une caméra et d’une source pour éclairer votre échantillon. C’est donc super simple et super pratique, même si sa capacité de résolution ne peut pas être comparée à celle des systèmes microscopiques qui utilisent un objectif de microscope avec une ouverture numérique élevée. Néanmoins, certaines applications ne nécessitent pas une telle résolution, ce qui rend la technique DLHM leur adaptée.
Q : Quels sont les exemples de modèles d’apprentissage profond remplaçant les algorithmes de reconstruction DLHM traditionnels ?
R : Après avoir enregistré l’image défocalisée dans un système DLHM, un algorithme informatique est nécessaire pour effectuer la rétro-propagation de la lumière afin de reconstruire la distribution de l’échantillon au point. Mes collègues, Carlos Trujillo, PhD, de l’Université EAFIT en Colombie et Jorge Garcia-Sucerquia, PhD, de l’Universidad Nacional Sede Medellin en Colombie, ont récemment travaillé sur un modèle d’apprentissage profond dans lequel un réseau de neurones convolutifs (CNN) basé sur Le modèle de régression prédit la position axiale de l’échantillon à partir de l’image brute défocalisée, réduisant ainsi la charge de calcul liée à la recherche de l’image focalisée et permettant une reconstruction rapide des images DLHM. D’autres exemples sont donnés par Aydogan Ozcan’s groupe de l’UCLA. En règle générale, il convient de reconstruire les images mises au point avant de classer l’échantillon. En collaboration avec Trujillo, nous travaillons actuellement sur la classification des types d’échantillons à partir des images brutes, sans aucun algorithme de reconstruction. La question que nous nous posons actuellement est la suivante : les diagrammes de diffraction que nous enregistrons ont-ils suffisamment de pouvoir de classification pour que nous puissions classer l’échantillon sans le reconstruire ?
Q : Quelles applications l’IA a-t-elle dans l’imagerie microscopique ?
UN: Il existe différents types d’applications. L’un d’eux utilise l’IA comme outil informatique pour compter les cellules ou segmenter les images. Un autre exemple est l’identification des cellules cancéreuses. Par exemple, les cellules cancéreuses sont identifiées par un médecin qualifié en analysant la présence d’un signal fluorescent émis dans l’image enregistrée à l’aide généralement d’un microscope à balayage confocal. Ce processus peut être effectué plus rapidement si l’analyse des données est fournie par un modèle d’IA plutôt que par une personne. Au cours des cinq dernières années, l’IA a été proposée comme outil de reconstruction, remplaçant les cadres traditionnels de traitement d’images. La qualité des images reconstruites dans les cadres de traitement d’images traditionnels dépend fortement de la personne qui reconstruit l’image. Par exemple, les images de phase quantitatives nécessitent une certaine intuition pour déterminer si les images de phase reconstruites présentent ou non des distorsions de phase, ce qui nécessite des personnes formées pour obtenir la meilleure qualité d’image. Je pense que les modèles d’IA peuvent fournir des images de haute qualité plus rapidement, indépendamment des connaissances de l’utilisateur. C’est un élément clé si nous voulons transférer nos méthodes aux chercheurs en biologie, qui n’ont aucune connaissance en algorithmes de traitement d’imagerie.
Q : Quels avantages voyez-vous de l’IA dans le domaine microscopique ?
UN: En lien avec la fin de la dernière question, l’IA peut nous aider à reconstruire des images de haute qualité indépendamment des expériences des étudiants diplômés. Cela pourrait également nous aider à améliorer la collaboration entre les chercheurs en imagerie et les chercheurs en biologie, en fournissant des techniques conviviales. Un autre avantage potentiel est la réduction du prix. Si nous pouvons obtenir les mêmes performances d’un système bon marché amélioré par l’IA et les mêmes que celles d’un système commercial hautes performances analogue qui coûte plus de 100 000 dollars, je pense que nous pourrions proposer ces modalités d’imagerie hautes performances à un plus grand nombre d’utilisateurs. Il s’agit d’un avantage important de l’IA dans le domaine actuel de la microscopie.
Référence
(1) UMass Dartmouth. Ana Doblas, PhD. Conseil d’administration de l’Université du Massachusetts 2024. (consulté le 2023-2-6)
2024-02-08 23:56:02
1707426702
#Une #entrevue #avec #Ana #Doblas #lUniversité #Massachusetts
