L’analyse d’images basée sur l’apprentissage en profondeur est désormais à portée de clic

L'analyse d'images basée sur l'apprentissage en profondeur est désormais à portée de clic

Fig. 1 : Environnement et portée de DeepImageJ. Crédit : DOI : 10.1038/s41592-021-01262-9

À l’initiative du Centre d’imagerie de l’EPFL, une équipe d’ingénieurs de l’EPFL et de l’Université Carlos III de Madrid a développé un plugin qui facilite l’intégration de l’intelligence artificielle dans l’analyse d’images pour la recherche en sciences de la vie. Le plugin, appelé deepImageJ, est décrit dans un article paru aujourd’hui dans Méthodes naturelles.

Au cours des cinq dernières années, l’analyse d’images s’est éloignée des méthodes traditionnelles basées sur les mathématiques et l’observation pour se tourner vers le traitement basé sur les données et l’intelligence artificielle. Ce développement majeur rend la détection et l’identification d’informations précieuses dans les images plus faciles, plus rapides et de plus en plus automatisées, dans à peu près tous les domaines de recherche. En ce qui concerne les sciences de la vie, l’apprentissage en profondeur, un sous-domaine de l’intelligence artificielle, montre un potentiel croissant pour l’analyse de la bioimage. Malheureusement, l’utilisation des modèles d’apprentissage en profondeur nécessite souvent des compétences de codage que peu de scientifiques de la vie possèdent. Pour faciliter le processus, les experts en analyse d’images de l’EPFL et de l’UC3M, en association avec le Centre d’imagerie de l’EPFL, ont développé deepImageJ, un plugin open source décrit dans un article publié aujourd’hui dans Méthodes naturelles.

Utilisation des réseaux de neurones dans la recherche biomédicale

Les modèles d’apprentissage en profondeur constituent une avancée significative pour les nombreux domaines qui reposent sur l’imagerie, tels que le diagnostic et le développement de médicaments. En bio-imagerie, par exemple, l’apprentissage en profondeur peut être utilisé pour traiter de vastes collections d’images et détecter des lésions dans les tissus organiques, identifier les synapses entre les cellules nerveuses et déterminer la structure des membranes cellulaires et des noyaux. Il est idéal pour reconnaître et classer les images, identifier des éléments spécifiques et prédire les résultats expérimentaux.

Ce type d’intelligence artificielle consiste à entraîner un ordinateur à effectuer une tâche en s’appuyant sur de grandes quantités de données préalablement annotées. C’est similaire aux systèmes de vidéosurveillance qui effectuent la reconnaissance faciale ou aux applications d’appareil photo mobile qui améliorent les photos. Les modèles d’apprentissage en profondeur sont basés sur des architectures informatiques sophistiquées appelées réseaux de neurones artificiels qui peuvent être entraînés à des fins de recherche spécifiques, telles que la reconnaissance de certains types de cellules ou de lésions tissulaires ou pour améliorer la qualité de l’image. Le réseau neuronal formé est ensuite enregistré en tant que modèle informatique.

Intelligence artificielle, mais sans le code

Pour l’imagerie biomédicale, un consortium de chercheurs européens développe un référentiel de ces modèles d’apprentissage en profondeur pré-entraînés, appelé BioImage Model Zoo. « Pour former ces modèles, les chercheurs ont besoin de ressources spécifiques et de connaissances techniques, notamment en codage Python, que de nombreux scientifiques du vivant ne possèdent pas », explique Daniel Sage, ingénieur au Centre d’imagerie de l’EPFL qui supervise le développement de deepImageJ. « Mais idéalement, ces modèles devraient être accessibles à tous. »

Le plugin deepImageJ comble le fossé entre les réseaux de neurones artificiels et les chercheurs qui les utilisent. Désormais, un scientifique de la vie peut demander à un ingénieur informaticien de concevoir et de former un algorithme d’apprentissage automatique pour effectuer une tâche spécifique, qu’il peut ensuite exécuter facilement via une interface utilisateur, sans jamais voir une seule ligne de code. Le plugin est open source et gratuit, et accélérera la diffusion des nouveaux développements en informatique et la publication de la recherche biomédicale. Il est conçu pour être une ressource collaborative qui permet aux ingénieurs, informaticiens, mathématiciens et biologistes de travailler ensemble plus efficacement. Par exemple, un modèle développé récemment par un étudiant en Master de l’EPFL, travaillant au sein d’une équipe transversale, permet aux scientifiques de distinguer les cellules humaines des cellules de souris dans des coupes de tissus.

Les chercheurs peuvent aussi former les utilisateurs

Les scientifiques du monde entier espéraient un tel système depuis plusieurs années, mais jusqu’à l’intervention du Centre d’imagerie de l’EPFL, personne n’avait relevé le défi d’en construire un. Le groupe de recherche est dirigé par Daniel Sage et Michael Unser, directeur académique du Centre, ainsi que par Arrate Muñoz Barrutia, professeur agrégé à l’UC3M. Le professeur Muñoz-Barrutia a dirigé les travaux de développement opérationnel avec l’un de ses doctorants. étudiants, Estibaliz Gómez-de-Mariscal, et Carlos García López de Haro, assistant de recherche en bio-ingénierie.

Afin que le plus grand nombre de chercheurs puisse utiliser le plugin, le groupe développe également des séminaires virtuels, des supports de formation et des ressources en ligne, en vue de mieux exploiter tout le potentiel de l’intelligence artificielle. Ces supports sont conçus en pensant à la fois aux programmeurs et aux scientifiques de la vie, afin que les utilisateurs puissent rapidement se familiariser avec la nouvelle méthode. DeepImageJ sera également présenté à ZIDAS, un cours d’une semaine sur l’analyse d’images et de données pour les scientifiques de la vie en Suisse.


Un nouveau dispositif d’imagerie exploratoire permet environ 1 000 fois plus d’accès au tissu cérébral


Plus d’information:
Estibaliz Gómez-de-Mariscal et al, DeepImageJ: Un environnement convivial pour exécuter des modèles d’apprentissage en profondeur dans ImageJ, Méthodes naturelles (2021). DOI : 10.1038 / s41592-021-01262-9

Provided by
Ecole Polytechnique Federale de Lausanne

Citation: L’analyse d’images basée sur l’apprentissage en profondeur n’est plus qu’à un clic (2021, 1er octobre) récupéré le 1er octobre 2021 à partir de https://techxplore.com/news/2021-10-deep-learningbased-image-analysis-click.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.