| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Praeses
| |
| Author
| |
| alternative label
| - Simulation and machine learning for image analysis of single cells based on fluorescence microscopy in microfluidics
|
| dc:subject
| - Microfluidic
- Machine Learning
- Cytology
- Cytologie
- Imagerie médicale
- Medical Imaging
- Thèses et écrits académiques
- Microfluidique
- Fluorescence microscopy
- Microscopie de fluorescence
- Instrumentation
- Molécule unique -- Analyse
- Cellule unique
- Sphéroïdes
- Apprentissage Machine
- Simulation d'images
- Single cell
- Cell sorting
- Clarification numérique
- Digital clearing
- Image Simulation
- Spheroids
- Tri des cellules
|
| preferred label
| - Simulation et apprentissage machine pour l'analyse d'images de cellules uniques basée sur la microscopie à fluorescence en microfluidique
|
| Language
| |
| Subject
| |
| dc:title
| - Simulation et apprentissage machine pour l'analyse d'images de cellules uniques basée sur la microscopie à fluorescence en microfluidique
|
| Degree granting institution
| |
| note
| - 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 là où elles étaient classiquement triées selon des signatures spectrométriques mono-dimensionnelles. Par ailleurs, grâce aux études sur les organoïdes et la transparisation des tissus il est possible d’observer in situ et de façon faiblement invasive la forme et les textures individuelles des cellules dans des agrégats en trois dimensions. La puissance de ces évolutions technologiques en cytologie est possiblement décuplée quand elles sont associées à la diversité des modalités de microscopies à fluorescence ou encore à l’intelligence artificielle par apprentissage machine. Ces nouvelles opportunités en cytologie moderne amènent également un lot de questions ouvertes : Quel microscope choisir pour faire un tri de cellules ? Est-ce qu’une super résolution est indispensable ? Est-ce qu’une image 3D est nécessaire ? Comment accélérer le débit de l’imagerie pour atteindre un haut débit 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 nous penchant sur des cellules étudiées dans le domaine de la cancérologie. Nous montrons 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 sous-résolue en utilisant des caractéristiques texturales classiques aussi efficacement que les caractéristiques pointillistes basées sur des microscopes super-résolus. Ensuite, nous montrons, pour différentes techniques de microscopies, que les images 2D pourraient être utilisées au lieu des images 3D avec une magnitude de performance similaire. Puis, nous prouvons que l’imagerie diffractive, plus simple et compact d’utilisation, pourrait être utilisée au lieu de l’imagerie conventionnelle sans perte de la performance de tri. Enfin, nous montrons que l’effet de flou apporté par la microfluidique peut être négligeable sur le tri de cellules. Sur agrégats cellulaires, la détection individuelle de cellules est fortement dépendante de la qualité des images acquises. Un facteur important permettant d’avoir des images de haute qualité est la clarification chimique des échantillons. Néanmoins, ces méthodes sont invasives et coûteuses en termes de préparation des échantillons. 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.
- This thesis is conducted in the context of the study of isolated cells, i.e. cytology. This branch of life analysis is in full evolution thanks to revolutionary technological contributions. Thus, with the advent of microfluidics, cells can now be automatically brought under a microscope where they were classically sorted according to one-dimensional spectrometric signatures. Furthermore, thanks to studies on organoids and tissue transparencies, it is possible to observe in situ and in a minimally invasive way the shape and individual textures of cells in three-dimensional aggregates. The power of these technological developments in cytology is potentially increased tenfold when combined with the diversity of fluorescence microscopy modalities or artificial intelligence through machine learning. These new opportunities in modern cytology also bring a lot of open questions: Which microscope to choose for cell sorting? Is a super resolution essential? Is a 3D image necessary? How to accelerate the imaging throughput to reach a high throughput without increasing the cost of the experiment? The answer to these questions depends of course on the biological question asked but the methodology to answer them can be generic. We address them with an original approach of numerical simulation by looking at cells studied in the field of cancerology. We show the contribution of simulation for virtual instrumentation and for data augmentation in machine learning. On single cells, we show that when a sorting task is only targeted, it is possible to use sub-resolved microscopy using classical textural features as efficiently as pointillistic features based on super-resolved microscopes. Then, we show, for different microscopy techniques, that 2D images could be used instead of 3D images with a similar performance magnitude. Then, we prove that diffractive imaging, simpler and more compact to use, could be used instead of conventional imaging without loss of sorting performance. Finally, we show that the blurring effect brought by microfluidics can be negligible on cell sorting. On cell aggregates, individual cell detection is strongly dependent on the quality of the acquired images. An important factor to obtain high quality images is the chemical clarification of the samples. However, these methods are invasive and costly in terms of sample preparation. In a second part of the thesis, we show the power of deep learning to achieve digital clarification of samples by transfer learning.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
