Segmentation et suivi de cellules pour l’étude de leurs interactions

Encadrants : Vannary Meas-Yedid
Disponible : OUI

Spécialité : IMA
Nombre d'étudiants : 1
Description : Dans le domaine de l’immunothérapie, la segmentation et le suivi (tracking) automatique de cellules tumorales est essentielle pour caractériser de façon fiable, les interactions entre les cellules tumorales et les cellules immunes. Une étude préliminaire a montré que suivre les cellules après extraction des cellules donne des résultats décevants car les changements morphologiques ainsi que de l’intensité de la cellule tumorale sont très importants et qu’aucun contrôle temporel ne permet d’assurer la cohérence des cellules segmentées. L’approche consistait à segmenter des cellules à l’aide du modèle CellPose [1], puis créer leurs trajectoires à l’aide de l’algorithme Multiple Hypothesis Tracking [2] (MHT). Il faudra donc traiter ces deux taches de manière simultanée : la segmentation des cellules devra être guidée par le tracking pour éviter les incohérences dans la segmentation des cellules (sur- ou sous- segmentation) au cours du temps.
Pré-requis : Maitrise de Python et Java
Travail demandé : L’étudiante explorera les modèles de Deep Learning qui sont très performants et reconnus comme l’état de l’art dans de nombreuses tâches de vision par ordinateur, dont la segmentation des cellules et leur tracking. Une attention particulière sera apportée à l’aide à la génération des ensembles d’annotations, notamment des trajectoires. On pourra partir des résultats préliminaires obtenus, mais aussi exploiter l’information temporelle pour augmenter ces annotations. Différents modèles seront testés [3], 3DeeCellTracker [4] pour établir un état des lieux de l’existant puis proposer un nouveau modèle efficace sur nos images. Nous porterons notre attention sur le modèle récent de Transformer semble être une méthode bien adaptée le tracking. On pourra s’inspirer des approches contours actifs [5] ou MHT [2] pour concevoir notre réseau de neurones. Les modèles obtenus seront intégrés à notre plateforme d’analyse d’image Icy [6] (http://bioimageanalysis.org) via le nouveau plugin DeepIcy. 1. Stringer and al. Cellpose: a generalist algorithm for cellular segmentation, Nature Methods, 2020 2. Chenouard N, Bloch I, Olivo-Marin JC, Multiple hypothesis tracking for cluttered biological image sequences, IEEE transactions on pattern analysis and machine intelligence, 2009 3. T. He, H. Mao, J. Guo, Z. Yi, “Cell tracking using deep learning neural networks with multi-task learning,” Image and Vision Computing 2016; 60:142-153. 4. 3DeeCellTracker, a deep learning-based pipeline for segmenting and tracking cells in 3D time lapse images 5. Zimmer C, Labruyère E, Meas-Yedid V, Guillén N, Olivo-Marin JC. Segmentation and tracking of migrating cells in videomicroscopy with parametric active contours: a tool for cell-based drug testing, IEEE transactions on medical imaging, 2002 6. de Chaumont F, Dallongeville S, Chenouard N, Hervé N, Pop S, Provoost T, Meas-Yedid V, Pankajakshan P, Lecomte T, Le Montagner Y, Lagache T, Dufour A, and Olivo-Marin, J.-C. (2012) Icy: an open bioimage informatics platform for extended reproducible research, Nature Methods, 9, 7, pp. 690-6