Thèses

Mercredi 12 Octobre 2022 à 10h30.

Microscopie computationnelle hyperspectrale par feuillet de lumière structurée et réseaux de neurones convolutionnels profonds

''
Directeur de thèse / thesis director :

Cédric Ray et Nicolas Ducros

Membres du jury / jury members :

LIEBLING Michael
SENTENAC Anne
SUPATTO Willy
RUGGIERO Florence
FOURNIER Corinne
DUJARDIN Christophe
RAY Cédric
DUCROS Nicolas

Résumé / Abstract :

La microscopie en fluorescence est un puissant outil de l’étude du vivant qui permet d’étudier des objets de taille microscopique : du petit organisme vivant (1 à 10 millimètres)à la cellule (10 à 100 micromètres). L’avantage principal de ce type de microscopie est qu’il permet d’obtenir des images à fort contraste en fond sombre avec un ciblage différencié des structures d’intérêt grâce à l’utilisation de fluorochromes. Aujourd’hui, il existe de nombreux types de microscopes qui ont été développés afin d’augmenter le type de données mesurables et la résolution de celles-ci (super-résolution,microscopie volumique, marquage intrinsèque...)

Un microscope hyperspectral à fluorescence permet de mesurer un cube de données hyperspectrales qui correspondent aux spectres de la fluorescence émise par un échantillon en tout point de celui-ci. Ce type de données permet de connaître la variation spatiale de propriétés physico-chimiques contenues dans le spectre.

Il n’existe malheureusement pas de capteur quadridimensionnel à haute résolution pour mesurer les quatre dimensions du cube de données hyperspectrales (trois dimensions spatiales et une dimension spectrale). Néanmoins, on peut faire l’acquisition du cube hyperspectral par balayage des dimensions, mais cela se fera au prix d’un compromis entre temps d’acquisition et résolution spatiale et spectrale. Afin d’optimiser ce compromis, nous avons choisi de faire de la spectroscopie d’Hadamard, de sorte à maximiser le rapport signal à bruit. Nous avons aussi choisi de sous-échantillonner les mesures pour réduire les temps d’acquisition. Or les mesures obtenues par spectroscopie d’Hadamard nécessitent d’être reconstruites et le sous-échantillonnage induit une perte en résolution. Nous avons donc intégré de l’apprentissage profond à nos algorithmes de reconstruction pour améliorer la qualité des images.

''