Distillation Pour Le Traitement Par Apprentissage Profond D'images de Microscopie

**Distillation pour le traitement par apprentissage profond d'images de microscopie // Distillation for deep learning based processing of microscopy images**:

- Réf **ABG-130957**
**ADUM-65136**
- Sujet de Thèse
- 12/04/2025
- Université Côte d'Azur
- Lieu de travail- Sophia Antipolis Cedex - France
- Intitulé du sujet- Distillation pour le traitement par apprentissage profond d'images de microscopie // Distillation for deep learning based processing of microscopy images
- Champs scientifiques- Informatique
- Mots clés- apprentissage profond, distillation, microscopie
deep learning, distillation, microscopy

**Description du sujet**:

- La biologie du développement vise à mieux comprendre la morphogenèse. Les dernières techniques de microscopie fournissent des séquences temporelles d'images 3D avec une haute résolution spatio-temporelle permettant de suivre le développement de l'embryon ou de l'organe à l'échelle subcellulaire [1]. L'acquisition de telles séries 3D+t produit d'énormes quantités de données pour lesquelles l'analyse manuelle d'un grand nombre d'images n'est pas possible. C'est pourquoi des outils sophistiqués d'analyse d'images ont été développés ces dernières années dans ce but, pour les méristèmes de plantes [2], les embryons d'ascidies [3] ou les embryons d'oursins [4], en particulier pour les séries où les parois ou les membranes cellulaires ont été marquées.

Dans ce contexte, deux difficultés doivent être surmontées. D'une part, dans les longues séries, les cellules deviennent plus petites et les membranes expriment moins de fluorescence : cela nuit à l'efficacité de la méthode de segmentation basée sur les membranes. D'autre part, l'orientation de la division cellulaire peut être liée à la position et/ou à l'orientation des noyaux cellulaires [5], c'est pourquoi nous sommes également intéressés par l'étude de la morphologie et de la dynamique des noyaux dans les embryons en développement.

La première difficulté peut être résolue en augmentant la méthode de segmentation avec des images de membranes améliorées ou segmentées issues de méthodes de réseaux neuronaux (NN) avancées (par exemple [6]). En ce qui concerne la seconde, des méthodes efficaces basées sur les réseaux neuronaux existent déjà pour la segmentation des noyaux [7], mais elles souffrent d'un coût de calcul élevé [8] qui les rend inapplicables pour des séries temporelles d'images 3D (par exemple, Cellpose nécessite typiquement plus de 40 minutes par image 3D). Le premier objectif de ce projet de doctorat sera d'améliorer l'efficacité informatique des méthodes de segmentation basées sur les NN. A cette fin, le paradigme enseignant-étudiant dans le cadre de la distillation [9] est certainement la méthode de choix puisqu'il permet de diminuer le nombre de coefficients du réseau cible (ou réseau « étudiant »), donc le coût de l'étape d'inférence, tout en préservant la qualité de la segmentation en apprenant à partir d'un réseau de référence (ou réseau « enseignant »). Nous développerons ce paradigme et nous étudierons en particulier un schéma d'apprentissage de l'élève à partir de plusieurs réseaux enseignants indépendants.

L'imagerie des membranes et des noyaux dans les mêmes embryons nécessite généralement deux fluorophores, excités par des longueurs d'onde différentes, ce qui permet d'obtenir une série d'images à deux canaux. Cependant, l'excitation par plusieurs lasers augmente l'énergie reçue par l'embryon (ce qui peut nuire à son développement normal) ou empêche d'utiliser un seul canal pour imager une protéine d'intérêt. L'imagerie de la membrane et des noyaux avec la même longueur d'onde répond à ces deux limitations. Le deuxième objectif de ce projet de doctorat sera donc d'étudier si un NN peut séparer les noyaux des membranes dans les images où les deux ont été imagées.

Developmental biology aims to better understand the morphogenesis. The latest microscopy techniques provide temporal sequences of 3D images with a high spatio-temporal resolution allowing to follow the embryo or organ development at sub-cellular scale [1]. The acquisition of such 3D+t series results in huge quantities of data for which manual analysis of a large number of images is not possible. Therefore, sophisticated image analysis tools have been developed in the recent years for this particular goal, for plant meristems [2], ascidians embryos [3] or sea urchin sea urchin embryos [4], in particular for series where the cell walls or membranes have been marked.

In this context, two difficulties have to be leveraged. On the one hand, in long series, cells become smaller and membranes express less fluorescence: this impairs the efficiency of the membrane-based segmentation method. On the other hand, cell division orientation may be linked to the cell nuclei position and/or orientation [5], thus we are also interested in investigating the nuclei morphology and dynamics in developing embryos.

The first difficulty can be addressed by augmenting th