Les méthodes computationnelles et le traitement algorithmique des données jouent un rôle crucial dans la microscopie à super-résolution. Une nouvelle approche dans ce domaine ouvre la voie à une imagerie améliorée, offrant des perspectives prometteuses pour la recherche scientifique et médicale.
Un projet conjoint entre le Center for Advanced Systems Understanding (CASUS) du Helmholtz-Zentrum Dresden-Rossendorf en Allemagne, l’Imperial College London et l’University College London a utilisé l’intelligence artificielle générative pour améliorer la qualité des images à super-résolution.
L’intelligence artificielle générative, principe à la base d’applications actuelles de création de texte ou d’images telles que ChatGPT ou Stable Diffusion, ne se contente pas de percevoir et de classer les données reçues, mais les étend pour créer de nouvelles données dans un cadre contrôlé.
Un algorithme open-source moins coûteux en calcul
L’algorithme d’intelligence artificielle générative open-source du projet CASUS, appelé Conditional Variational Diffusion Model (CVDM), « améliore la qualité des images en les reconstruisant à partir d’un état aléatoire », selon les chercheurs. Il est également moins coûteux en calcul que les modèles de diffusion établis.
Artur Yakimovich du CASUS explique : « Les modèles de diffusion ont longtemps été connus pour être coûteux en calcul à entraîner, au point que certains chercheurs y renonçaient. Mais de nouveaux développements comme notre CVDM permettent de minimiser les ‘exécutions improductives’ qui ne mènent pas au modèle final. En réduisant l’effort de calcul et donc la consommation d’énergie, cette approche peut également rendre l’entraînement des modèles de diffusion plus écologique. »
Des applications immédiates en microscopie médicale
La microscopie à super-résolution, qui permet une imagerie en dessous de la limite de diffraction théorique, pourrait être un domaine d’application précieux pour CVDM. En effet, des techniques comme la microscopie à illumination structurée font encore face à des obstacles inhérents liés à la perte d’information et au bruit, malgré les progrès réalisés en termes de performance.
CVDM vise à minimiser les exécutions improductives pendant le calcul. Lors de la phase d’entraînement, le modèle est capable de trouver de manière autonome l’entraînement optimal pour la réduction du bruit dans une tâche particulière, sans que les programmeurs aient besoin de définir au préalable des «calendriers» de réduction globale du bruit par essais et erreurs.
Des tests appliquant CVDM à des images à super-résolution et à la microscopie à super-résolution par illumination structurée ont montré qu’il pouvait améliorer la résolution de 4,42 % par rapport aux méthodes probabilistes de diffusion existantes, et de 26,27 % par rapport à une méthode basée sur la régression. Des tests utilisant des images cliniques de cellules épithéliales et urinaires ont démontré qu’une approche CVDM a une « applicabilité immédiate à la microscopie médicale », selon le projet.
Artur Yakimovich conclut : « Nous pensons que notre approche présente de nouvelles propriétés uniques, à savoir une grande flexibilité et rapidité pour une qualité comparable voire supérieure aux autres approches de modèles de diffusion. De plus, notre CVDM fournit des indications directes lorsqu’il n’est pas très sûr de la reconstruction, une propriété très utile qui suggère la voie pour résoudre ces incertitudes dans de nouvelles expériences et simulations. »
