Solutions de microscopie assistée par l'IA

En microscopie, l'analyse d'image basée sur l'IA utilise l'intelligence artificielle, qui englobe l'apprentissage automatique et l'apprentissage profond, pour améliorer l'analyse des images obtenues au microscope. Dans ce but, des algorithmes sont programmés pour reconnaître des modèles et des structures, pour offrir une meilleure précision et augmenter l'efficacité de certaines tâches comme la détection de l'échantillon, la segmentation de l'image, la réduction du bruit, la classification des objets et la reconstruction 3D. Cette technologie accélère et automatise l'analyse d'image en microscopie en vue d'optimiser l'efficacité de la recherche scientifique et des diagnostics.

En microscopie, l'apprentissage profond implique l'entraînement de réseaux neuronaux artificiels pour analyser de manière autonome des images de microscopie. Pour ce faire, des experts entraînent des modèles et des structures à partir d'ensembles de données annotés. Cet entraînement permet aux réseaux d'exécuter plus précisément et efficacement des tâches telles que la segmentation d'images, la détection d'objets et la classification. Pour mieux comprendre la différence entre l'apprentissage automatique et l'apprentissage profond, vous pouvez consulter notre eBook sur l'IA.

L'intégration de l'IA dans la microscopie permet d'acquérir et d'analyser des données d'images multidimensionnelles à haut rendement et de manière reproductible, deux critères fondamentaux pour les découvertes scientifiques. Ces technologies automatisent les tâches manuelles courantes, laissant plus de temps aux chercheurs pour concevoir davantage d'expériences et innover à un rythme plus soutenu.

a. Que ce soit pour la recherche de nouvelles thérapies contre le cancer grâce à l'observation subcellulaire au microscope à fluorescence, pour la conception de matériaux de batteries par l'analyse de microstructures avec un MEB ou pour l'optimisation du rendement des hydrocarbures par l'étude minéralogique au microscope à rayons X, l'IA permet d'obtenir des informations à partir d'ensemble de données de petite et de grande taille, à des débits plus élevés. Cette polyvalence souligne la capacité de l'IA à transformer et accélérer les découvertes scientifiques dans de nombreux domaines de la microscopie.

L'analyse d'image traditionnelle repose sur des règles prédéfinies, comme le seuillage simple, pour extraire des informations à partir d'images. Par exemple, l'utilisation d'un seuil fixe déterminé pour segmenter des images à partir de l'intensité de pixels. Cependant, ces méthodes basées sur des règles peuvent s'avérer peu fiables lorsque des images s'écartent des conditions idéales, conduisant à des résultats non reproductibles. L'analyse basée sur l'IA va quant à elle au-delà des règles spécifiques. En effet, les systèmes d'IA apprennent des modèles cachés à partir d'ensembles de données variés. Ce principe permet de les généraliser et de conserver leur niveau de fiabilité, même lorsque les conditions d'imagerie changent. Les résultats sont donc plus fiables et modulables en microscopie.

L'IA résout progressivement les défis du quotidien, et cette tendance s'étend à la microscopie, où chaque aspect du flux de tâches est susceptible d'en bénéficier. À mesure que l'IA générative évolue et devient indispensable, de plus en plus d'interactions en langage naturel avec les systèmes de microscopie voient le jour. Pourquoi ne pas imaginer un utilisateur chargeant une plaque à titrage multiple pour diverses expériences donner l'ordre suivant : « Image ces échantillons à un grossissement x10 et résume les informations pour chaque titrage ». Cette vision prévoit une transition totalement homogène de l'échantillon à l'obtention des informations, en éliminant la nécessité de configuration manuelle, le transfert des données, le prétraitement, la segmentation et la classification. L'avenir de la microscopie assistée par l'IA promet une amélioration significative de la productivité, même dans le cadre d'expériences de grande envergure impliquant des dizaines de milliers d'itérations.

Pour les utilisateurs qui maîtrisent le codage Python, la mise en œuvre de solutions basées sur l'IA en microscopie passe par l'utilisation de librairies en open source. Néanmoins, cette méthode nécessite une expertise dans la manipulation de très grands ensembles de données et une compréhension approfondie de la gestion des correctifs d'images et de leur reconstruction à leur taille initiale. Fort heureusement, ZEISS propose une gamme d'outils guidés par l'IA disponibles à travers une interface conviviale et sans codage accessible à tous. Dans les écosystèmes logiciels ZEN et arivis, les utilisateurs peuvent s'appuyer sur des outils basés sur l'IA de réduction du bruit, de segmentation, de classification et bien plus encore. Par exemple, la plateforme arivis Cloud fournit l'infrastructure pour entraîner à la segmentation d'images des modèles d'IA personnalisés, utilisables sur le cloud ou localement depuis les logiciels arivis Pro ou ZEN, pour des résultats cohérents sur toutes les plateformes.

Que ce soit ZEN, ZEN Blue, arivis Pro, arivis Hub ou arivis Cloud, tous les logiciels ZEISS intègrent des outils d'IA pour l'analyse d'image. Chaque logiciel offre des fonctionnalités avancées à l'utilisateur et devient un puissant outil d'amélioration de la productivité.

L'apprentissage profond (deep learning) est un sous-ensemble de l'apprentissage automatique (machine learning). Toutefois, lorsqu'il est fait référence à l'apprentissage automatique, il s'agit généralement de l'apprentissage automatique conventionnel consistant à appliquer des filtres numériques prédéfinis aux données d'apprentissage. Cette approche conventionnelle implique la conception de variables par une personne qui assemble ces filtres en travaillant souvent avec un nombre limité de variables, jusqu'à quelques dizaines en règle générale. Du fait de cette limitation, il peut être difficile pour ces algorithmes de saisir toute la complexité de certaines images. En revanche, l'apprentissage profond est une technique d'apprentissage des variables qui optimise des millions de paramètres à partir de vastes données d'apprentissage. Elle se révèle donc plus fiable face aux conditions changeantes de l'image. La distinction essentielle réside dans la conception d'un petit nombre de variables pour l'apprentissage automatique face à l'apprentissage d'une multitude de variables pour l'apprentissage profond.