Séminaire CeRVIM-IID : Multiplexing fluorescence microscopy images with multi-dimensional deep networks
Catherine Bouchard
Laboratoire de Vision et Systèmes Numériques, LVSN, U. Laval
Laboratoire de Flavie Lavoie-Cardinal, FLC-Lab, U. Laval
Vendredi, le 15 mars 2024, 13h30, PLT-3904
Résumé
L’étude des interactions complexes entre toutes les protéines impliquées dans les processus biologiques nécessite l’imagerie simultanée d’autant de cibles que possible. L’imagerie de temps de vie de la fluorescence (Fluorescence lifetime imaging, FLIM) mesure le délai entre l’excitation et l’émission de chaque photon pour aider à discerner son émetteur, ce qui permet d’obtenir une image multicolore à partir d’une seule acquisition. Les algorithmes développés pour cette tâche sont généralement appliqués pixel par pixel, en utilisant une seule dimension (la distribution du délai mesuré), et n’exploitent donc pas une source d’information précieuse qui s’étend sur plusieurs pixels : l’organisation spatiale des protéines. Nous avons développé une méthode qui exploite un réseau neuronal profond multidimensionnel qui traite simultanément toutes les dimensions de l’image (temporelle et spatiale) afin de mieux attribuer un émetteur à chaque photon pour les images FLIM. Cette méthode s’avère plus précise que les méthodes pixel par pixel dans les cas où le nombre de photons est limité, comme dans l’imagerie de super-résolution des cellules vivantes, car elle utilise simultanément les caractéristiques spatiales de l’image et les informations temporelles. Elle peut également servir de méthode de débruitage non supervisée, ce qui améliore encore ses performances pour les images à faible bruit. La méthode peut être entraînée sur des images partiellement simulées et appliquée à des acquisitions réelles, ce qui permet de l’utiliser dans les nombreux cas expérimentaux où il n’est pas possible d’acquérir des ensembles de données d’entraînement.
La présentation sera donnée en anglais et les diapos seront en anglais.