ERC Starting Grant : Luca Calatroni et la quête de la super-résolution par apprentissage inspiré par la physique
La microscopie à fluorescence est très utilisée par la recherche en biologie, mais cette technique de microscopie ne permet pas d'obtenir la résolution souhaitée pour l'étude d'échantillons vivants. C’est une des questions auxquelles s’attaque Luca Calatroni, chargé de recherche CNRS au laboratoire Informatique, signaux et systèmes de Sophia-Antipolis (I3S - CNRS/Université Côte d'Azur) dans son projet ERC MALIN consacré au développement de techniques d’apprentissage inspirées par la physique pour la super-résolution d’images de microscopie à fluorescence.
Luca Calatroni ne considère pas la résolution d’une image comme une limite absolue. Chargé de recherche CNRS à l’I3S, il développe des modèles mathématiques pour le traitement d’images avec plusieurs domaines d’applications, comme le patrimoine culturel et la biologie. Ces dernières années, il s’est tout particulièrement intéressé à la microscopie à fluorescence.
Cette technique utilise un microscope optique qui produit une image grâce à la lumière émise par l’échantillon observé, au lieu d’être fondée sur la réflexion ou l’absorption d’une source lumineuse extérieure. Très prisée en biologie, la microscopie à fluorescence repose sur une physique complexe que Luca Calatroni modélise à travers de modèles mathématiques appropriés.
« Grâce à une modélisation physique du processus d’acquisition et à des algorithmes d’apprentissage, je veux casser la limite de la diffraction », explique Luca Calatroni. L’objectif est d’atteindre la super-résolution, c’est-à-dire un niveau de détails qui surpasse les limites normalement imposées par la physique. L’imagerie optique classique ne permet en effet pas de distinguer des éléments plus petits que la longueur d’onde de la lumière utilisée. Un problème auquel il faut ajouter les différents bruits et imperfections dus au processus d’acquisition.
Afin d’élucider différentes verrous scientifiques liées à la super-résolution, mais aussi à d’autres problèmes inverses de reconstruction d’images, Luca Calatroni a obtenu un financement ERC Starting Grant. Plusieurs grands thèmes y seront abordés sous le nom de projet MALIN (pour Model-aware learning for imaging inverse problems in fluorescence microscopy). D’abord, si certains laboratoires sont équipés de microscopes à fluorescence déjà capables de super-résolution, beaucoup, dans les faits, travaillent sur des appareils plus standard. De plus, les techniques plus avancées de super-résolution se basent sur l’utilisation de protocoles souvent nocifs pour les échantillons.
Avec ses collègues de l’équipe Morpheme, Luca Calatroni collabore régulièrement avec des chercheurs du Laboratoire de biologie du développement de Villefranche-sur-Mer (LBDV – CNRS/Sorbonne Université). Il améliore leurs images dans plusieurs contextes, par exemple lors de l’étude de la reproduction d’algues toxiques pour les humains, telles que les ostreopsis qui connaissent d’impressionnants épisodes de prolifération. L’utilisation d’images super-résolues obtenues par des algorithmes efficaces faciliterait leur analyse.
La physique de la microscopie à fluorescence fait également intervenir des processus ardus et non linéaires, plus difficiles à incorporer dans des méthodes d’apprentissage. Les réseaux de neurones doivent en effet prendre en compte des phénomènes comme la dégradation du signal lors de l’acquisition d’une image. Afin de garantir des reconstructions physiquement plausibles, le projet visera à apporter des garanties quant à la stabilité de ces résultats, spécialement dans le cas où la taille de l’ensemble d’apprentissage est limitée.
« Pour être fiables, les outils d’IA qui traitent des images ont souvent besoin de s’entraîner sur une énorme quantité de données, explique Luca Calatroni. Or ici, nous n’en avons pas beaucoup. Comment fournir des exemples de ce que l’on n’a pas encore observé ? »
Pour répondre à toutes ces problématiques, Luca Calatroni pourra s’appuyer sur différents outils issus de précédents projets de recherche. Il a par exemple participé au projet européen H2020 RISE NoMADS, un réseau pluridisciplinaire dédié à l’analyse de larges ensembles de données et il est actuellement porteur d’un projet ANR Jeunes chercheuses et jeunes chercheurs (JCJC), où il conçoit des algorithmes d’optimisation efficaces pour l’estimation de modèles de reconstruction adaptés à leurs applications.
« Ce projet me donne la possibilité de développer de nouvelles méthodologies d’optimisation et d’apprentissage, visant à répondre à une problématique concrète, se réjouit Luca Calatroni. L’ERC est l’occasion de monter une équipe sur la question. Car si ce financement est accordée à titre individuel, il n’est pas possible de réussir sans le soutien de collaborateurs, étudiants comme chercheurs. »