« comprendre ce qu’on image»

Mots Clefs: Méthodes de fouilles de données multimodales/multi-échelles et d’extraction de connaissances, fusion de données en microscopies corrélatives, combinaison avec les données de spectrométrie de masse, visualisation augmentée multidimensionelle, modélisation et simulation des mécanismes cellulaires, adaptation aux changements environnementaux, organisations multicellulaires  et pluricellulaires.

Les méthodes d’intelligence artificielle et notamment d’apprentissage profond ont bouleversé l’analyse d’images. Aujourd’hui l’apprentissage profond représente la méthode la plus puissante pour la segmentation d’images, la classification de patterns, ou encore la résolution de problèmes inverses. Des verrous sont à lever pour accompagner la mise en œuvre de cette méthode au sein de la communauté du GdR Imabio : 

* L’apprentissage profond nécessite de larges data sets annotés et des moyens de calculs conséquents (GPU). 

* Les codes de deep learning sont largement accessibles via des github mais leur prise en main nécessite une initiation pour une utilisation en routine sur des plateformes de microscopie.

* L’efficience du deep learning est intéressante pour traiter des images classiques mais il l’est encore plus quand il est embarqué dans une approche d’imagerie computationnelle permettant de simplifier l’instrumentation voire la préparation de l’échantillon. Ces approches dites de co-conception nécessitent une collaboration entre traiteurs d’images et spécialistes de l’instrumentation. 

* Une caractérisation métrologique des performances des algorithmes de deep learning manque actuellement pour être utilisée de façon contrôlée comme pour les approches classiques.

Pour lever ces verrous le GdR pourra encourager, accompagner et/ou encadrer les actions suivantes : 

* Un travail de communauté d’intérêt (par modalité d’imagerie, de modèle biologique ou de problématique biologique finale) pour la création de dataset multi-sites, communs. 

* La mise à disposition d’un outil commun d’annotation en ligne équipé de système d’apprentissage actif (Data torch ou Cytomine par exemple).  Pour l’accès à des moyens de calculs puissant de la communauté, une collaboration avec France Grille sera initiée.

* La création de dataset de syntèse pour booster l’apprentissage. Des bibliothèques de simulation, data augmentation, GAN seront développées et déployées sur une plateforme virtuelle permettant d’utiliser de façon centralisée des simulations hybrides associant objects biologiques de synthèse et simulateur des microscopes. Une première initiative dans ce sens a été crée sur https://www.creatis.insa-lyon.fr/vip/ dans le cadre du projet européen H2020 PROCHIP (https://pro-chip.eu/). 

* La formation du personnel des plateformes lors de son école thématique mais également via un Hub de data scientists (en collaboration par exemple avec la communauté Eurobioimaging-NEUBIAS, l’infrastructure de recherche FBI ou encore le GdR CNRS Isis, ). 

* Une action de recherche en réseau sur le thème de l’imagerie computationnelle (compressed learning, super-résolution, transfer learning multimodal, caractérisation métrologique, …). 

Coordinateurs : David Rousseau (email), Thomas Walter (email) et Cedric Matthews (email)