SC4 : Assistance machine pour acquisition, analyse, interprétation/modélisation de données de microscopies

SC4 : Assistance machine pour acquisition, analyse, interprétation/modélisation de données de microscopies 

A. Demortière (UPJV, Amiens), P. Paul-Gilloteaux (IRS, Nantes)

Mots clefs : méthodes basée deep learning, transfer learning, model zoo, segmentation et analyse multimodal  , visualisation de données complexes ou multimodale, reconstruction de données (tomo ou ptychographie), aide à la prise de décision lors de l’acquisition/acquisition intelligente basée traitement en ligne d’image.

Conférenciers invités : D. Sage (EPFL Lausanne), N. Pustelnyk (ENS Lyon)

Résumé

Le numérique a pris aujourd’hui une place prépondérante en microscopie, que ce soit dans le domaine des sciences des matériaux, de la médecine ou de la biologie. L’utilisation d’approches en apprentissage profond (“deep learning”) est devenue une solution incontournable dans le traitement et l’analyse des données massives acquises en microscopie. Elles permettent leur classification ou leur modélisation sur la base de lois statistiques, et peuvent également nous assister dans la prise de décision et la visualisation de ces données. Les algorithmes “ad hoc” et les approches de “deep learning” démontrent depuis quelques années leur capacité à pouvoir aider à la prise de décision sur les paramètres d’acquisition à choisir et viennent même dans certain cas remplacer l'opérateur. Par exemple, l’analyse des images au cours de l’acquisition peut aider à décider de la suite et guider le microscope, ou permettre de rechercher les événements rares de manière automatique. Ils permettent également d’extraire de l’image des informations qui n’y semblaient pas présentes, en utilisant une connaissance a priori, formalisée ou non, comme dans le cas du débruitage, de correction d’artefact ou d’amélioration de la résolution de l’image. Ils sont aussi capables d’extraire des données de phénotypages ou caractérisation de manière automatique et sans comparaison de vitesse avec un opérateur humain, avec un biais de quantification reproductible, par la segmentation, le tracking, ou l’analyse des signaux et les mesures dérivées.  La mise au point de ces algorithmes et en particulier des modèles de machine learning pour toutes ces applications requièrent le partage de données annotées afin de les mettre au point, ce qui appelle également à de nouvelles solutions de partage et d’annotation.

 

En poursuivant votre navigation sur ce site, vous acceptez l’utilisation de cookies pour réaliser des statistiques de visites.