L'IA en microscopie : le Deep Learning pour l'analyse d'images

Résumé
Les techniques avancées de microscopie génèrent des ensembles de données de plus en plus vastes et complexes dont l'analyse nécessite des outils informatiques sophistiqués. L'intelligence artificielle (IA), en particulier le Machine Learning (apprentissage automatique) et le Deep Learning (apprentissage profond) est en train de révolutionner nos méthodes de travail. L'IA améliore chaque étape du flux de travail en microscopie, de l'acquisition et du prétraitement des données à la segmentation des images et à l'analyse de haut niveau. L'intégration de l'IA promet une exactitude et une précision sans précédent dans la segmentation des régions d'intérêt au sein des images, une fonctionnalité essentielle pour de nombreuses applications de microscopie.
Découvrez :
- Le Machine Learning (ML), méthode la plus rapide à former et convenant à de nombreuses applications, mais qui peut présenter des limites, notamment en ce qui concerne la segmentation d'objets sur des arrière-plans complexes.
- Le Deep Learning (DL), qui utilise un grand nombre de paramètres d'apprentissage pour capturer les détails de structures complexes dans les images. Cela permet une segmentation robuste des images, même lorsque les niveaux d'intensité varient.
- Les deux types de segmentation par Deep Learning : La segmentation sémantique, qui convient mieux à la segmentation de grandes régions, et la segmentation d'instances, qui convient à la segmentation de différents objets dans les images.


Qu'est-ce que l'IA, le ML et le DL ?
Il existe une relation hiérarchique entre l'intelligence artificielle (IA), le Machine Learning (ML) et le Deep Learning (DL) :
- IA : le concept le plus large, englobant toute technique permettant aux ordinateurs d'imiter l'intelligence humaine.
- ML : un sous-ensemble de l'IA, axé sur les algorithmes qui permettent aux machines d'apprendre à partir de données et de faire des prédictions ou de prendre des décisions sur cette base.
- DL : le plus spécialisé des trois, est un sous-ensemble du ML qui utilise des réseaux neuronaux artificiels pour traiter de grandes quantités de données, en imitant la structure et la fonction du cerveau humain.


Machine Learning conventionnel
Le Machine Learning conventionnel repose sur l'extraction de données conçues par l'homme, où des caractéristiques ou des modèles spécifiques sont identifiés et isolés à partir des données brutes de l'image. Ces caractéristiques sont ensuite introduites dans un algorithme de Machine Learning, tel qu'un algorithme de forêt d'arbres décisionnels. Cet algorithme apprend à catégoriser ou à faire des prédictions sur la base des caractéristiques extraites.


Deep Learning
Contrairement au Machine Learning classique, où les caractéristiques sont élaborées manuellement, les algorithmes de Deep Learing - en particulier les réseaux neuronaux convolutifs (CNN) - apprennent à extraire les caractéristiques pertinentes directement à partir des données brutes. La partie gauche de cette figure montre l'image d'entrée et l'architecture du réseau, avec plusieurs couches qui traitent progressivement l'image. La partie droite présente les noyaux de caractéristiques appris et les cartes de caractéristiques qui en résultent. Ces noyaux agissent comme des filtres, détectant automatiquement des motifs à différents niveaux d'abstraction ─ des simples bords aux structures complexes. Au fur et à mesure que le réseau s'approfondit, il apprend des caractéristiques de plus en plus sophistiquées, ce qui lui permet de saisir des détails et des relations complexes dans les données. Cet apprentissage automatique de caractéristiques à partir de vastes quantités de données d'entraînement est ce qui donne au Deep Learning sa puissance et sa flexibilité dans les tâches d'analyse d'images, surpassant les approches traditionnelles de Machine Learning dans de nombreux scénarios complexes.


Sample image courtesy of Anna Steyer and Yannick Schwab, EMBL. Segmentation by Dr. Christopfer Zugates, ZEISS Dublin Demo Center US
Sample image courtesy of Anna Steyer and Yannick Schwab, EMBL. Segmentation by Dr. Christopfer Zugates, ZEISS Dublin Demo Center US
Machine Learning vs. Deep Learning pour la segmentation d'image
Le ML est rapide à former et nécessite relativement peu de données, ce qui la rend adaptée à de nombreuses tâches. Toutefois, elle se heurte à des difficultés dans les scénarios complexes, tels que la segmentation d'objets sur des arrière-plans chargés. Le DL, en revanche, excelle dans ces domaines en tirant parti de nombreux paramètres d'apprentissage pour capturer des informations structurelles complexes. Les exemples suivants mettent en évidence les avantages du DL par rapport au ML dans la segmentation d'images.


Segmentation des mitochondries
La figure illustre les performances supérieures du DL dans la segmentation des mitochondries. Alors que le modèle ML fonctionne bien sur l'image d'entraînement (coupe 50), il éprouve des difficultés avec les coupes adjacentes (49 et 51), identifiant mal les mitochondries partielles et les pixels d'arrière-plan. En revanche, le modèle DL réalise une excellente segmentation sur des images qui n'ont pas été utilisées pour la formation, ce qui démontre une plus grande adaptabilité.


Sample courtesy of: Bernthaler group at Hochschule Aalen.
Sample courtesy of: Bernthaler group at Hochschule Aalen.
Segmentation des grains
La figure montre la segmentation des bords de grains dans une micrographie d'Al2O3. Bien que les résultats ML et DL semblent corrects au départ, une inspection plus approfondie (flèches bleues) révèle des segmentations manquées avec le ML, suggérant à tort des grains plus gros. Par conséquent, l'analyse de la taille des grains basée sur les résultats de ML conduit à une distribution incorrecte de la taille des grains. Les cartes de grains montrent un gros grain (en rouge) dans l'image segmentée par ML, alors que l'image segmentée par DL représente correctement la véritable distribution des grains.
Segmentation sémantique vs segmentation d'instances
Il existe deux approches principales de la segmentation par Deep Learning :
- La segmentation sémantique attribue des classes d'appartenance jusqu'au niveau du pixel, ce qui la rend adaptée à la segmentation de grandes régions, telles que la ferrite et la martensite dans les aciers ou diverses sections de tissus dans les échantillons biologiques.
- La segmentation d'instances attribue des classes d'appartenance à des objets individuels, ce qui est idéal lorsque des informations détaillées au niveau de l'objet sont requises, comme les grains dans les alliages ou les cellules dans les tissus.