Une image vaut mille mots – mais seulement quand elle est claire ce qu'elle représente. Et c'est là que réside le hic dans la réalisation d'images ou de vidéos de la vie microscopique.
Alors que les microscopes modernes peuvent générer d'énormes quantités de données d'images à partir de tissus ou de cellules vivants en quelques secondes, l'extraction d'informations biologiques significatives à partir de ces données peut prendre des heures voire des semaines d'analyse laborieuse.
Pour atténuer ce goulot d'étranglement majeur, une équipe dirigée par un boursier de MBL, Hari Shroff, a conçu un apprentissage en profondeur et d'autres approches de calcul qui réduisent considérablement le temps d'analyse d'image par ordre de grandeur – dans certains cas, correspondant à la vitesse d'acquisition des données elle-même. Ils rendent compte de leurs résultats cette semaine Biotechnologie de la nature.
« C'est comme boire dans un tuyau d'incendie sans être capable de digérer ce que vous buvez », explique Shroff du problème commun d'avoir trop de données d'imagerie et pas assez de puissance de post-traitement.
Les améliorations apportées par l'équipe, qui découlent d'une collaboration continue avec le Laboratoire de biologie marine (MBL), accélèrent l'analyse d'images de trois façons principales.
Tout d'abord, l'imagerie des données du microscope est généralement corrompue par le flou. Pour atténuer le flou, un processus de « déconvolution » itératif est utilisé.
L'ordinateur va et vient entre l'image floue et une estimation de l'objet réel, jusqu'à ce qu'il atteigne la convergence sur une meilleure estimation de la chose réelle.
En bricolant avec l'algorithme classique de déconvolution, Shroff et ses co-auteurs ont accéléré la déconvolution de plus de 10 fois. Leur algorithme amélioré est largement applicable « à presque tous les microscopes à fluorescence. C'est une victoire stricte, nous pensons. Nous avons publié le code et d'autres groupes l'utilisent déjà. »
Hari Shroff, chercheur principal, Institut national d'imagerie biomédicale et de bio-ingénierie, Laboratoire de biologie marine
Ensuite, ils ont abordé le problème de l'enregistrement 3D: aligner et fusionner plusieurs images d'un objet prises sous différents angles.
« Il s'avère qu'il faut beaucoup plus de temps pour enregistrer des ensembles de données volumineux, comme pour la microscopie à plaque lumineuse, que pour les déconvoluer », explique Shroff.
Ils ont trouvé plusieurs façons d'accélérer l'enregistrement 3D, notamment en le déplaçant vers l'unité de traitement graphique (GPU) de l'ordinateur.
Cela leur a permis d'améliorer de 10 à plus de 100 fois la vitesse de traitement par rapport à l'utilisation de l'unité centrale de traitement (CPU) de l'ordinateur.
«Nos améliorations dans l'enregistrement et la déconvolution signifient que pour les ensembles de données qui s'adaptent sur une carte graphique, l'analyse d'image peut en principe suivre la vitesse d'acquisition», explique Shroff.
« Pour les jeux de données plus importants, nous avons trouvé un moyen de les découper efficacement en morceaux, de passer chaque morceau au GPU, de procéder à l'enregistrement et à la déconvolution, puis de recoudre ces morceaux ensemble. »
« C'est très important si vous voulez imager de gros morceaux de tissu, par exemple, d'un animal marin, ou si vous nettoyez un organe pour le rendre transparent à mettre sur le microscope. Certaines formes de grande microscopie sont vraiment activées et accélérées par ces deux avancées. «
Enfin, l'équipe a utilisé l'apprentissage en profondeur pour accélérer la «déconvolution complexe» – des ensembles de données intraitables dans lesquels le flou varie considérablement dans différentes parties de l'image.
Ils ont formé l'ordinateur à reconnaître la relation entre des données fortement floues (l'entrée) et une image nettoyée et déconvolue (la sortie). Ensuite, ils lui ont donné des données floues qu'ils n'avaient jamais vues auparavant.
« Cela a très bien fonctionné; le réseau de neurones formé pourrait produire des résultats déconvolués très rapidement », explique Shroff. « C'est là que nous avons obtenu des améliorations mille fois plus rapides de la déconvolution. »
Alors que les algorithmes d'apprentissage en profondeur fonctionnaient étonnamment bien, « c'est avec la mise en garde qu'ils sont fragiles », explique Shroff. « Ce qui veut dire qu'une fois que vous aurez formé le réseau neuronal à reconnaître un type d'image, disons une cellule avec des mitochondries, il déconvolura très bien ces images. »
« Mais si vous lui donnez une image un peu différente, disons la membrane plasmique de la cellule, elle produit des artefacts. Il est facile de tromper le réseau neuronal. » Un domaine de recherche actif est la création de réseaux de neurones qui fonctionnent de manière plus généralisée.
« L'apprentissage en profondeur augmente ce qui est possible », explique Shroff. « C'est un bon outil pour analyser des ensembles de données qui seraient difficiles autrement. »
La source:
Laboratoire de biologie marine
Référence de la revue:
Guo, M., et al. (2020) Déconvolution d'image rapide et fusion à vues multiples pour la microscopie optique. Biotechnologie de la nature. doi.org/10.1038/s41587-020-0560-x.
