Soutenance de thèse : Ali AHMAD

Simulation et apprentissage automatique pur l’analyse de cellules uniques basée sur la microscopie à fluorescence microfluidique

Doctorant : Ali AHMAD

Laboratoire INSA : CREATIS
Ecole doctorale : EDA160 : Électronique, Électrotechnique, Automatique

Cette thèse se situe dans le contexte de l’étude des cellules isolées, i.e. la cytologie. Cette branche de l’analyse du vivant est en pleine évolution grâce à des apports technologiques révolutionnaires. Ainsi, grâce à la microfluidique, les cellules peuvent désormais être amenées automatiquement sous un microscope. Aussi, grâce aux études sur les organoïdes et la transparisation de tissus il est possible d’observer in situ les caractéristiques individuelles des cellules dans des agrégats en 3D. La puissance de ces évolutions technologiques en cytologie est possiblement décuplée quand elles sont associées à la diversité de modalité de microscopies de fluorescence ou encore à l’apprentissage machine.
Ces nouvelles opportunités en cytologie moderne amènent également un lot de questions ouvertes : Quel microscope choisir ? Quelle résolution ? Comment accélérer le débit de l’imagerie sans augmenter le coût de l’expérimentation ? La réponse à ces questions dépend bien sûr de la question biologique posée mais la méthodologie pour y répondre peut-être générique. Nous les abordons avec une approche originale de simulation numérique en montrant l’apport de la simulation pour de l’instrumentation virtuelle et pour de l’augmentation de données en apprentissage machine.
Sur cellules uniques, nous montrons que lorsqu’une tâche de tri est seulement visée, il est possible de recourir à la microscopie 2D sous-résolue ou à l’imagerie diffractive en utilisant des caractéristiques texturales. Aussi, nous montrons que l’effet de flou apporté par la microfluidique peut être négligeable. Sur agrégats cellulaires, la détection individuelle de cellule est fortement dépendante de la qualité des images acquises. Un facteur important permettant d’avoir des images à haute qualité est la clarification chimique des échantillons. Néanmoins, ces méthodes sont invasives et coûteuses. Dans une deuxième partie de la thèse, nous montrons la puissance de l’apprentissage profond pour réaliser une clarification numérique des échantillons par apprentissage de type transfert.