L'IA reconstruit des mondes microscopiques en 3D à partir de la microscopie électronique

L'Institut coréen de recherche sur les normes et les sciences (KRISS) a développé un algorithme de segmentation d'images basé sur l'intelligence artificielle (IA) capable de reconstruire rapidement des structures tridimensionnelles (3D) à partir d'images transversales bidimensionnelles (2D) d'échantillons biologiques capturés à l'aide d'un microscope électronique à balayage (MEB).

L'algorithme nouvellement développé nécessite une analyse manuelle d'environ 10 % seulement du total des données d'image, après quoi il étiquette automatiquement les données restantes pour entraîner l'IA. L'IA entraînée effectue automatiquement la segmentation et les résultats sont reconstruits en 3D.

Cette recherche est publiée dans Microscopie et Microanalyse.

Par rapport aux méthodes conventionnelles, dans lesquelles les chercheurs devaient analyser manuellement chaque image transversale, la nouvelle approche réduit de plus de moitié le temps et les coûts nécessaires à la visualisation 3D, améliorant ainsi considérablement l'efficacité de la recherche.

Un SEM capture une série d'images transversales d'un spécimen à des intervalles de plusieurs dizaines de nanomètres et les reconstruit en une structure 3D. Parce qu'il permet l'observation à haute résolution des fines structures cellulaires internes, le SEM est largement utilisé dans la recherche en sciences de la vie et dans le diagnostic médical.

La segmentation d'images est une étape de prétraitement nécessaire à la reconstruction de structures 3D à partir d'images SEM. Cela implique de déterminer la position et la forme précises de structures spécifiques, telles que les noyaux cellulaires et les mitochondries, dans chaque image en coupe. En filtrant les informations inutiles et en mettant clairement en évidence uniquement les structures cibles, la segmentation d'image permet une reconstruction 3D précise.

Traditionnellement, la segmentation d’images reposait sur une approche d’apprentissage supervisé, dans laquelle des experts examinaient manuellement des centaines, voire des milliers d’images transversales et annotaient manuellement les structures cibles. Cependant, ce processus nécessitait beaucoup de temps et de main d'œuvre, et les résultats étaient souvent affectés par le jugement subjectif et l'erreur humaine, ce qui rendait difficile la garantie de la cohérence et de la fiabilité des reconstructions 3D finales.

Pour relever ce défi, le groupe d'instruments de recherche émergents du KRISS a développé un algorithme basé sur l'apprentissage semi-supervisé qui utilise des images périodiquement étiquetées comme points de référence pour annoter automatiquement les coupes transversales adjacentes.

Par exemple, s’il y a 100 images SEM transversales, les chercheurs étiquetent manuellement une image sur dix et l’algorithme effectue automatiquement l’étiquetage des 90 images restantes, complétant ainsi l’analyse complète de l’ensemble de données. Cette approche réduit considérablement le temps et les coûts nécessaires à la préparation des ensembles de données pour la reconstruction de structures 3D basée sur l'IA.

Lors de tests de performances utilisant des données de cellules cérébrales de souris, l'algorithme développé par l'équipe de recherche KRISS a démontré des niveaux de précision inférieurs à 3 % de ceux obtenus par les méthodes conventionnelles, tout en réduisant le temps et le coût d'analyse requis à environ un huitième. Même lorsqu'il est appliqué à des données à grande échelle avec une résolution de 4 096 × 6 144 pixels, l'algorithme a conservé à la fois une précision et une vitesse de traitement élevées, affichant des performances stables tout au long.

Le chercheur principal Yun Dal Jae du groupe d'instruments de recherche émergents du KRISS a déclaré : « La technologie que nous avons développée peut être appliquée non seulement aux sciences biologiques, mais également à un large éventail de domaines nécessitant une analyse d'image automatisée, tels que l'inspection des défauts des semi-conducteurs et le développement de nouveaux matériaux. En particulier, elle peut être très utile dans les domaines où il est difficile d'obtenir des données de formation en IA en raison de problèmes de confidentialité ou de contraintes budgétaires.