Les microscopistes poussent les réseaux de neurones à la limite pour affiner les images floues

Les microscopistes poussent les réseaux de neurones à la limite pour affiner les images floues

Les images de la membrane mitochondriale externe d’une cellule sont difficiles à voir en raison du très faible rapport signal sur bruit (SNR) dans l’image de gauche (brute). En utilisant une puissance élevée, une image beaucoup plus claire (connue sous le nom de vérité terrain ou image GT) peut être obtenue. À l’extrême droite se trouve l’image créée par le réseau RCAN, qui a montré l’image brute et a prédit l’image la plus nette. Barre d’échelle = 5 micromètres. Crédit : Jiji Chen.

L’imagerie par fluorescence utilise la lumière laser pour obtenir des images lumineuses et détaillées des cellules et même des structures subcellulaires. Cependant, si vous voulez observer ce que fait une cellule vivante, comme se diviser en deux cellules, le laser peut la faire frire et la tuer. Une réponse consiste à utiliser moins de lumière afin que la cellule ne soit pas endommagée et puisse poursuivre ses divers processus cellulaires. Mais, avec des niveaux de lumière aussi bas, il n’y a pas beaucoup de signal à détecter par un microscope. C’est un gâchis léger et flou.

Dans un nouvel ouvrage publié dans le numéro de juin de Méthodes de la nature une équipe de microscopistes et d’informaticiens a utilisé un type d’intelligence artificielle appelé réseau de neurones pour obtenir des images plus claires des cellules au travail, même avec des niveaux de lumière extrêmement faibles et respectueux des cellules.

L’équipe, dirigée par Hari Shroff, Ph.D., chercheur principal à l’Institut national d’imagerie biomédicale et de bio-ingénierie, et Jiji Chen, du trans-NIH Advanced Imaging and Microscopy Facility appelle le processus « restauration d’image ». La méthode aborde les deux phénomènes qui provoquent des images floues à faible luminosité : un faible rapport signal sur bruit (SNR) et une faible résolution (flou). Pour résoudre le problème, ils ont formé un réseau de neurones pour débruiter les images bruitées et brouiller les images floues.

Alors, qu’est-ce qu’entraîner exactement un réseau de neurones ? Il s’agit de montrer à un programme informatique de nombreuses paires d’images appariées. Les paires consistent en une image claire et nette, par exemple, des mitochondries d’une cellule et de la version floue et méconnaissable de la même mitochondrie. Le réseau de neurones se voit montrer bon nombre de ces ensembles appariés et « apprend » donc à prédire à quoi ressemblerait une image floue si elle était accentuée. Ainsi, le réseau de neurones devient capable de prendre des images floues créées à l’aide de niveaux de faible luminosité et de les convertir en images plus nettes et plus détaillées dont les scientifiques ont besoin pour étudier ce qui se passe dans une cellule.

Pour travailler sur le débruitage et le flou des images de microscopie à fluorescence 3D, Shroff, Chen et leurs collègues ont collaboré avec une société, SVision (maintenant partie de Leica), pour affiner un type particulier de réseau neuronal appelé réseau d’attention à canal résiduel ou RCAN.

Les microscopistes poussent les réseaux de neurones à la limite pour affiner les images floues

Les images de pores nucléaires créées avec un microscope confocal à diffraction limitée (à gauche) sont floues. En utilisant un microscope à super-résolution, les pores nucléaires sont beaucoup mieux résolus (GT, image de vérité terrain). À l’extrême droite, le réseau RCAN a montré l’image confocale floue et a prédit l’image nette, qui ressemble beaucoup mieux à l’image GT haute résolution. Barre d’échelle = 5 micromètres. Crédit : Jiji Chen

En particulier, les chercheurs se sont concentrés sur la restauration de volumes d’images « super-résolution », ainsi appelés parce qu’ils révèlent des images extrêmement détaillées de minuscules parties qui composent une cellule. Les images sont affichées sous forme de bloc 3D pouvant être visualisé sous tous les angles lors de sa rotation.

L’équipe a obtenu des milliers de volumes d’images à l’aide de microscopes dans leur laboratoire et d’autres laboratoires du NIH. Lorsqu’ils ont obtenu des images prises avec une lumière d’éclairage très faible, les cellules n’étaient pas endommagées, mais les images étaient très bruitées et inutilisables – faible SNR. En utilisant la méthode RCAN, les images ont été débruitées pour créer une image 3D nette, précise et utilisable.

« Nous avons pu ‘battre’ les limites du microscope en utilisant l’intelligence artificielle pour ‘prédire’ l’image SNR élevée à partir de l’image SNR faible », a expliqué Shroff. « Les photodommages dans l’imagerie à super-résolution sont un problème majeur, donc le fait que nous ayons pu les contourner est important. » Dans certains cas, les chercheurs ont pu améliorer la résolution spatiale plusieurs fois par rapport aux données bruitées présentées au RCAN 3D.

Un autre objectif de l’étude était de déterminer à quel point une image en désordre pouvait être présentée par les chercheurs au réseau RCAN, en le mettant au défi de transformer une image à très basse résolution en une image utilisable. Dans un exercice de « flou extrême », l’équipe de recherche a découvert qu’à des niveaux élevés de flou expérimental, le RCAN n’était plus en mesure de déchiffrer ce qu’il regardait et de le transformer en une image utilisable.

« Une chose dont je suis particulièrement fier, c’est que nous avons poussé cette technique jusqu’à ce qu’elle ‘casse' », a expliqué Shroff. « Nous avons caractérisé le régime SNR sur un continuum, montrant le point auquel le RCAN a échoué, et nous avons également déterminé à quel point une image peut être floue avant que le RCAN ne puisse inverser le flou. Nous espérons que cela aidera les autres à fixer des limites pour la performance de leur propres efforts de restauration d’image, ainsi que de pousser davantage le développement dans ce domaine passionnant. »


Le matériau rétractable permet au microscope ordinaire de voir en super résolution


Plus d’information:
Jiji Chen et al, Les réseaux d’attention des canaux résiduels tridimensionnels débruitent et affinent les volumes d’images de microscopie à fluorescence, Méthodes de la nature (2021). DOI : 10.1038/s41592-021-01155-x

Fourni par les National Institutes of Health

Citation: Les microscopistes poussent les réseaux de neurones à la limite pour affiner les images floues (2021, 2 juin) récupéré le 2 juin 2021 sur https://techxplore.com/news/2021-06-microscopists-neural-networks-limit-sharpen.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.