La pathologie numérique repose sur l’imagerie haute résolution pour un diagnostic précis du cancer, mais les systèmes à fort grossissement restent lents et coûteux pour le dépistage à grande échelle. Pendant ce temps, la super-résolution standard de l’IA génère souvent des artefacts cellulaires hallucinés qui mettent en danger l’exactitude du diagnostic. Pour surmonter ce problème, les chercheurs ont développé un cadre informatique hybride clair-obscur utilisant un éclairage LED rapide pour fournir un guidage physique. Cette approche guidée par la physique double la résolution spatiale, réduit les artefacts de reconstruction de 84 % et augmente la sensibilité du dépistage du cancer par l’IA de 11,14 %.
Avec le développement rapide des technologies d’imagerie médicale et de l’intelligence artificielle, la pathologie numérique est progressivement devenue un outil important pour faire progresser la médecine de précision moderne. La technologie d’imagerie sur lame entière (WSI) numérise des coupes de tissus entières grâce à un balayage haute résolution, transformant l’observation microscopique traditionnelle en images numériques pouvant être stockées, analysées et partagées. Il fournit une base de données essentielle pour le diagnostic des maladies, la détection des tumeurs et l’analyse pathologique intelligente.
Ces dernières années, avec les progrès rapides des algorithmes d’intelligence artificielle dans l’imagerie médicale, l’importance des images pathologiques numériques de haute qualité pour améliorer le diagnostic assisté par ordinateur est devenue de plus en plus évidente. Cependant, l’imagerie haute résolution repose généralement sur des systèmes optiques coûteux à ouverture numérique (NA), qui souffrent de vitesses de numérisation lentes et de coûts matériels élevés. Le compromis entre résolution et efficacité est devenu un goulot d’étranglement majeur limitant le développement ultérieur de la pathologie numérique, en particulier pour le dépistage pathologique à grande échelle.
Ce goulot d’étranglement a été surmonté grâce à la technologie de super-résolution d’image (SR), qui offre une solution prometteuse en récupérant par ordinateur des informations haute résolution à partir d’images basse résolution. Ces dernières années, les méthodes SR à image unique basées sur l’apprentissage profond ont réalisé des progrès rapides. Cependant, les informations limitées contenues dans une seule image basse résolution entraînent souvent des défis fondamentaux en matière de reconstruction : les approches basées sur la régression ont tendance à produire des résultats trop lissés avec des textures fines manquantes, tandis que les modèles génératifs peuvent améliorer la qualité visuelle mais peuvent introduire des artefacts hallucinés. En imagerie pathologique, de telles structures cellulaires artificielles peuvent affecter directement la fiabilité du diagnostic, limitant considérablement la traduction clinique des techniques SR conventionnelles.
Les chercheurs ont développé des méthodes SR basées sur des références (RefSR) pour résoudre le problème d’information insuffisante de la SR à image unique. En introduisant des informations d’image supplémentaires, ces approches fournissent des contraintes auxiliaires pour la reconstruction d’images à basse résolution et ont démontré des performances prometteuses dans les applications d’imagerie médicale et d’imagerie de cellules vivantes. En intégrant des informations provenant de différentes modalités d’imagerie, les méthodes RefSR peuvent exploiter des observations multidimensionnelles pour améliorer la récupération structurelle. Cependant, les méthodes RefSR restent largement inexplorées en pathologie numérique, et un défi majeur réside dans l’obtention d’informations physiquement significatives fortement corrélées aux structures pathologiques tout en minimisant les modifications matérielles, fournissant ainsi des contraintes préalables fiables pour la reconstruction SR.
Pour remédier à l’instabilité des méthodes conventionnelles de SR à image unique causée par le manque de contraintes physiques efficaces, une équipe de recherche dirigée par le professeur Qian Chen et le professeur Chao Zuo de l’Université des sciences et technologies de Nanjing, en collaboration avec le professeur Juergen W. Czarske de la TU Dresden, a développé une nouvelle méthode d’amélioration de la résolution de la pathologie numérique qui intègre l’imagerie hybride sur champ clair-obscur avec un apprentissage profond guidé par la physique, appelée cadre hybride d’amélioration de la résolution du champ clair-obscur (HBDF-RE). Cette œuvre est mise en ligne le 27 août 2026, dans la section Early View de Avancées opto-électroniques.
La méthode utilise un système d’éclairage LED programmable pour basculer rapidement entre les modes fond clair et fond sombre à chaque position de balayage, acquérant une image de champ clair-noir appariée en 1/15 de seconde environ. « L’image en champ sombre fournit une diffusion et un contraste sensible aux bords comme guidage physique, permettant au réseau neuronal profond de reconstruire des images haute résolution à partir d’observations en champ clair à faible NA avec des performances proches de l’imagerie à haute NA.« , a expliqué le professeur Chen.
En incorporant la fusion de caractéristiques multimodales, les mécanismes d’attention spatiale et les contraintes conjointes spatio-fréquences, HBDF-RE réalise une reconstruction haute fidélité des structures cellulaires tout en supprimant efficacement les textures trop lissantes et artificielles. Avec une seule acquisition de champ clair-obscur couplée, la méthode proposée permet d’obtenir une amélioration de la résolution spatiale d’environ 2,1 ×, produisant des images de pathologie numériques de haute qualité comparables à l’imagerie à haute NA sans mises à niveau matérielles complexes, tout en améliorant l’efficacité informatique d’environ 11 %.
Dans les expériences, les chercheurs ont d’abord appliqué HBDF-RE à une tâche de dépistage du cancer du col de l’utérus assistée par l’IA. Les résultats ont montré que la sensibilité diagnostique du modèle de dépistage du cancer du col de l’utérus assisté par IA basé sur des images reconstruites par HBDF-RE a augmenté de 11,14 % par rapport aux images originales à basse résolution, avec des améliorations particulièrement significatives observées dans les catégories de lésions cliniquement ambiguës. En outre, dans les tâches d’analyse en aval telles que la segmentation des glandes, la reconstruction HBDF-RE a systématiquement surpassé les méthodes existantes d’amélioration de la résolution des pathologies, démontrant ainsi son potentiel pour améliorer l’analyse pathologique intelligente et le diagnostic clinique assisté par l’IA.
En outre, les chercheurs ont effectué une reconstruction SR à grand champ sur des WSI de tissus thymus humains. Bien que les images numérisées originales à faible NA aient permis une couverture rapide de vastes zones de tissus, certaines limites nucléaires et structures pathologiques fines sont restées floues en raison d’une résolution limitée. En tirant parti des informations complémentaires fournies par l’imagerie en champ clair et en champ sombre, HBDF-RE a réussi à récupérer de fines structures tissulaires sans nécessiter d’objectif à fort grossissement, obtenant ainsi une amélioration substantielle de la capacité de résolution spatiale. Par rapport aux méthodes SR représentatives d’une image unique, HBDF-RE a encore amélioré le rapport signal/bruit maximal d’environ 3,2 dB et réduit les artefacts de reconstruction d’environ 84 %, démontrant un fort potentiel d’amélioration des images de pathologie numérique à grande échelle.
En intégrant des contraintes fondées sur la physique avec une reconstruction informatique basée sur l’apprentissage profond, HBDF-RE exploite les informations complémentaires fournies par l’imagerie en champ clair et en champ sombre pour améliorer efficacement les images pathologiques à faible NA sans nécessiter de mises à niveau optiques coûteuses. Cette approche surmonte le compromis de longue date entre la résolution et l’efficacité de numérisation dans les systèmes de pathologie numérique conventionnels.
« Tout en conservant les avantages de l’imagerie rapide à grand champ, HBDF-RE ne nécessite qu’une seule acquisition supplémentaire de champ noir à chaque position de numérisation, introduisant ainsi une complexité minimale du système tout en obtenant une représentation structurelle cellulaire comparable aux systèmes d’imagerie à haute NA.« , a fait remarquer le professeur Chen.
À l’avenir, combinée aux plates-formes WSI automatisées et à l’accélération de l’inférence d’apprentissage profond en temps réel, cette méthode a le potentiel d’intégrer une amélioration de la résolution haute fidélité dans les flux de travail de pathologie de routine, fournissant ainsi un outil d’imagerie efficace et fiable pour le dépistage du cancer à grande échelle, le diagnostic pathologique de précision et la prise de décision clinique assistée par l’IA.
