L’imagerie en phase quantitative (QPI) est une technique de microscopie largement utilisée pour étudier les cellules. Même si des applications biomédicales antérieures basées sur QPI ont été développées, la vitesse d’acquisition et la qualité de l’image doivent s’améliorer pour garantir une réception généralisée.
Des scientifiques du Center for Advanced Systems Comprendre (CASUS) basé à Görlitz à Helmholtz-Zentrum Dresden-Rossendorf (HZDR) ainsi que l’Imperial College et le University College London suggèrent de tirer parti d’un phénomène optique appelé microscopes chromatiques.
En utilisant un modèle d’IA génératif, une seule exposition unique est nécessaire pour obtenir la qualité d’image nécessaire pour rendre QPI attrayant pour les applications dans la biomédecine. L’équipe a présenté les travaux fin février lors de la 39e conférence annuelle sur l’IA par l’Association pour l’avancement de l’IA (AAAI 2025) organisé cette année à Philadelphie. Le document de conférence correspondant est disponible sur arxiv serveur de préimprimée.
L’étiquetage des échantillons biologiques avec des colorants ou d’autres agents révèle des informations précieuses. Mais cette approche présente des inconvénients qui entravent son utilisation généralisée dans les diagnostics cliniques: il prend du temps, et des équipements coûteux ainsi que des réactifs sont nécessaires.
La recherche au cours des dernières années s’est donc concentrée sur certaines méthodes de microscopie sans étiquette comme QPI. Ici, non seulement l’amplitude de la lumière absorbée ou dispersée par l’échantillon est intéressante. En utilisant les informations de diffusion, QPI capture également la façon dont l’échantillon déplace la phase de la lumière qui le traverse – un changement directement lié à son épaisseur, à son indice de réfraction et à d’autres propriétés structurelles. Bien que QPI nécessite un équipement assez coûteux, le QPI informatique ne le fait pas.
L’une des approches QPI informatiques les plus importantes consiste à résoudre l’équation du transport d’intensité (TIE). Cette équation différentielle permet de calculer une image de l’échantillon en fonction des changements de phase enregistrés. L’approche est facile à intégrer dans une configuration de microscope optique existante et entraîne des images de bonne qualité.
À la baisse, la méthode de TIE nécessite souvent plusieurs acquisitions avec différentes distances de mise au point pour se débarrasser des artefacts. Traiter des piles à travers le focus peut prendre du temps et techniquement exigeant, de sorte que ce type de QPI basé sur le lien n’est souvent pas possible dans un contexte clinique.
Utilisation de l’aberration chromatique
« Notre approche repose sur des principes similaires à égaliser, mais n’a besoin qu’une seule image en raison d’une combinaison intelligente de physique et d’IA générative », a déclaré le professeur Artur Yakimovich, chef d’un groupe de Casus Young Investigator et auteur correspondant de l’œuvre présentée à la conférence AAAI.
Les informations sur le décalage de phase induit par l’échantillon biologique ne proviennent pas des expositions supplémentaires prises avec d’autres distances de mise au point. Une pile de focus à travers peut également être générée à partir d’une seule exposition grâce à un phénomène appelé aberration chromatique.
La plupart des systèmes de lentilles du microscope ne peuvent pas apporter toutes les longueurs d’onde de la lumière blanche (polychromatique) à un seul point convergent parfaitement – un handicap que seuls les lentilles hautement spécialisées peuvent corriger. Cela signifie, par exemple, le rouge, le vert et le bleu (RVB) la lumière a des distances de mise au point légèrement différentes.
« En enregistrant les déphasages de ces trois longueurs d’onde séparément à l’aide d’un détecteur RVB conventionnel, on peut construire une pile à travers qui facilite le QPI informatique, transformant le handicap en un atout », explique Yakimovich.
« L’utilisation d’aberrations chromatiques pour réaliser QPI pose un défi: la distance entre la focalisation de la lumière rouge et la mise au point de la lumière bleue est très petite », explique Gabriel della Maggiora, Ph.D. Étudiant à Casus et l’un des deux auteurs principaux de la publication. Résoudre le lien La manière standard ne donne tout simplement pas de résultats significatifs.
« Nous avons ensuite estimé que nous pouvions utiliser l’intelligence artificielle. Il s’est avéré que cette idée s’est avérée décisive », ajoute Della Maggiora. « Après avoir entraîné un modèle d’IA génératif avec un ensemble de données à accès libre composé de 1,2 million d’images, le modèle a pu récupérer les informations de phase même si elles s’appuyaient simplement sur l’entrée de données très limitée de l’enregistrement. »
Méthode validée sur un échantillon clinique du monde réel
L’équipe s’est appuyée sur un modèle d’IA génératif pour l’amélioration de la qualité d’image présenté au printemps dernier: le modèle de diffusion variationnel conditionnel (CVDM). Il appartient à une famille particulière de modèles d’IA génératifs nommés modèles de diffusion. Les développeurs soulignent que la formation d’un CVDM nécessite beaucoup moins d’effort de calcul que la formation d’autres modèles de diffusion, tandis que les résultats sont les mêmes ou même mieux.
Exploitant une stratégie CVDM, Della Maggiora et ses collègues ont développé un nouveau modèle de diffusion applicable aux données quantitatives. Avec ce modèle, ils sont maintenant capables de réaliser enfin le QPI informatique basé sur les aberrations chromatiques.
Ils ont validé leur approche générative basée sur l’IA en utilisant, par exemple, un microscope de champ vif commun équipé d’une caméra couleur disponible dans le commerce pour fabriquer des images microscopiques à partir d’échantillons cliniques du monde réel. Analysant les globules rouges dans un échantillon d’urine humaine, la méthode a pu dévoiler la forme de beignet de ces cellules, alors qu’une autre approche basée sur le lien en calcul ne l’était pas.
Un avantage supplémentaire a été l’absence virtuelle d’artefacts de nuages dans les images calculées avec la nouvelle variante générative d’imagerie de phase quantitative basée sur l’IA.
Le groupe Yakimovich « l’apprentissage automatique pour l’infection et la maladie » développe de nouvelles techniques de calcul pour la microscopie qui pourraient être immédiatement appliquées en milieu clinique. Le potentiel, par exemple, dans le diagnostic, est énorme. Parmi les techniques utilisées figure une AI générative. Comme l’IA générative est sujet à la production d’hallucinations, le groupe principal est de les réduire.
L’incorporation d’éléments basés sur la physique est l’approche clé ici. Comme le montre l’exemple d’imagerie de phase quantitative basé sur l’IA, cette approche est très prometteuse.
Plus d’informations:
Gabriel della Maggiora et al, imagerie en phase quantitative d’exposition unique avec un microscope conventionnel en utilisant des modèles de diffusion, arxiv (2024). Doi: 10.48550 / arxiv.2406.0438