Segmentation d'images de microscopie cellulaire par apprentissage profond dans des contextes très peu supervisés

Abstract

La segmentation d'images est une problématique majeure en traitement d'images de microscopie. C'est un outil indispensable à l'automatisation d'analyses de structures microscopiques telles que les cellules vivantes. En particulier, comprendre comment des cellules se déforment et s'écoulent dans un réseau (type vaisseaux sanguins) est un enjeu d'importance. Pour ce cas d'étude, les images de microscopie peuvent parfois contenir d'autres structures artificielles, appelées micro-capsules et qui possèdent des propriétés mécaniques similaires à des cellules telles que les globules rouges.Indépendamment de la nature réelle ou artificielle de la micro-structure à segmenter, les méthodes à l'état de l'art en segmentation font appel à l'apprentissage profond par réseau de neurones avec par exemple des architectures de type U-net. Si le succès de ces méthodes en segmentation est indéniable, elles nécessitent une grande quantité de données annotées pour être déployées efficacement. Dans le cas de la segmentation, ces annotations prennent la forme de masques binaires résultant d'une annotation manuelle effectuée par un expert à l'aide d'un logiciel de contourage ce qui reste très fastidieux.Ces travaux de thèse visent à apprendre des modèles neuronaux en segmentation à l'aide de très peu d'images annotées (de l'ordre de grandeur de la dizaine) se plaçant ainsi dans un contexte dit de few-shot learning. Pour arriver à cet objectif, deux contributions sont proposées. Une première consiste à faire appel à de l'augmentation de données massives ce qui pose un problème d'allocation de moyens de calculs aux différents mécanismes d'augmentation possibles. Une approche s'appuyant sur l'algorithme HEDGE d'apprentissage en ligne est proposée. Une seconde contribution développe une méthodologie d'apprentissage relevant de l'auto-apprentissage (self-learning). L'originalité de cette méthodologie repose sur un scénario où un mentor préalable entraîné sur des données purement synthétique va accompagner un réseau apprenti durant son entraînement.