Lieu : Centre Broca
Thesis supervisor : Florian Levet
Title
3D deep-learning based quantification of the nuclei distribution for light-sheet microscopy (Quantification de la distribution de noyaux en 3D en microscopie à feuille de lumière en utilisant l’apprentissage profond)
Résumé
Ces dernières années, la popularité des cultures cellulaires en 3D, telles que les organoïdes ou les sphéroïdes, a explosé en raison de leur capacité à offrir des modèles précieux pour étudier la biologie humaine. Ces modèles sont en effet bien plus pertinents sur le plan physiologique que les cultures en 2D. Il est ainsi crucial de pouvoir segmenter leurs noyaux de manière précise et robuste étant donné que la quantification de la distribution de ces noyaux est au fondement d’une multitude de mesures quantitatives de fonctions cellulaires importantes. Or, aujourd’hui, l’acquisition automatique de centaines d’organoïdes est devenue une réalité grâce aux progrès des systèmes de microscopie récents. Néanmoins, cette grande quantité de données crée de nouveaux goulots d’étranglement. En effet, les méthodes traditionnelles de traitement d’images nécessitent d’adapter leurs paramètres en fonction des conditions d’imagerie, empêchant de facto une analyse automatique et sans biais. Cette situation a entraîné le développement rapide de méthodes basées sur l’apprentissage profond, telles que StarDist, qui ont démontré des performances impressionnantes pour la segmentation précise des noyaux. Un autre avantage de ces méthodes est leur capacité à réduire considérablement le temps de traitement des données. Cependant, les approches d’apprentissage profond nécessitent une grande quantité de données pour entrainer et générer des modèles de segmentation précis et généraux. Malheureusement, la plupart des données annotées disponibles sont en 2D, ce qui entrave l’utilisation de ces méthodes pour la segmentation des noyaux en 3D.
L’objectif de ce doctorat était d’implémenter un pipeline permettant la segmentation automatique et robuste des noyaux de cultures 3D, une tâche que j’ai réalisée en trois étapes. Tout d’abord, j’ai annoté manuellement 4657 noyaux 3D provenant de 6 organoïdes/sphéroïdes différents. Ce jeu de données annoté de noyaux 3D représente actuellement le seul jeu de données de vérité terrain disponible de cette taille pour les noyaux 3D, une ressource importante pour la communauté pour l’entraînement et l’évaluation de nouvelles méthodes. Deuxièmement, j’ai réalisé que l’annotation de structures 3D prend énormément de temps et qu’il y a un manque d’outil disponible pour aider les annotateurs à garder une trace des annotations effectuées. J’ai donc développé le Napari Annotation Helper (NAHP), un plugin Napari conçu pour aider les utilisateurs à garder une trace des annotations encours, pour réduire les erreurs d’annotation et pour extraire des informations statistiques des images d’intensité. Troisièmement, j’ai entraîné un modèle de segmentation 3D StarDist avec l’ensemble de données de vérité terrain que j’ai créé. Ce modèle a été utilisé pour segmenter automatiquement des centaines d’organoïdes et quantifier la distribution spatiale de leurs noyaux, une preuve de concept que mon pipeline peut être utilisé pour répondre à des questions biologiques spécifiques.
Mots clés : Apprentissage profond , Segmentation, Microscopie à feuille de lumière, Haute-résolution, StarDist, Traitement d’images.
Jury
- LEVET, Florian – Ingénieur de recherche IINS – Directeur de Thèse
- KERVRANN, Charles – Directeur de recherche, INRIA – Rapporteur
- RIVIERE, Charlotte – Maître de conférences, Université de Lyon 1 – Rapporteur
- GRANIER, Xavier – Professeur, Université de Bordeaux – Examinateur
- BADOUAL, Anaïs – Chargé de recherche, INRIA – Invité