DIAMORPH - Identification automatique des diatomées par apprentissage profond à partir d’images microscopiques
Les diatomées sont des microalgues unicellulaires omniprésentes dans tous les milieux aquatiques. Ces organismes sont des bioindicateurs utilisés en routine pour l'évaluation écologique des eaux douces dans le cadre de la réglementation européenne (Directive Cadre sur l’Eau - DCE). Mais leur identification au microscope est chronophage et sujette à de nombreux biais humains. Le projet vise à développer des algorithmes de deep learning pour une identification automatique des espèces de diatomées à partir d’images microscopiques.
L’objectif est de de produire un outil d’aide à la décision permettant de réduire significativement le temps alloué à l’identification des diatomées et d’augmenter la répétabilité des identifications entre experts humains. A plus long terme, le projet vise à mettre en place une interface collaborative de labellisation, ouvertes aux experts français et internationaux et un service web de traitement des images microscopiques permettant de détecter et identifier détection et identification des individus.
Champs thématiques adressés par le projet :
-
Computer Vision (CV)
-
Machine Learning (ML)
Plus d’information sur le projet et accès aux ressources :
- Page web : https://dream.georgiatech-metz.fr/research-projects/diatom-detection-and-identification/
- 1 communication orale : Iane Vallanzasca, Martin Laviale, Cyril Regan, David Heudre, Carlos E. Wetzel, Philippe Usseglio-Polatera, Jérémy Fix, Cédric Pradalier, Eric Quinton, Sébastien Boutry, Soizic Morin. Développement d’une approche collaborative pour la collecte et l’analyse des images de diatomées d’eau douce : le cas des tératologies. 40ème colloque de l'Association des Diatomistes de Langue Française (ADLaF), Sep 2022, Clermont-Ferrand, France. ⟨hal-03791615⟩
- 1 article publié : Aishwarya Venkataramanan, Pierre Faure-Giovagnoli, Cyril Regan, David Heudre, Cécile Figus, Philippe-Usseglio-Polatera, Cédric Pradalier, Martin Laviale. Usefulness of synthetic datasets for diatom automatic detection using a deep-learning approach. Engineering Applications of Artificial Intelligence, 2023, 117, pp.105594. ⟨10.1016/j.engappai.2022.105594⟩. ⟨hal-03852321⟩
- Codes et data (images) associées à l’article (DOREL) : https://doi.org/10.12763/UADENQ
L’équipe de recherche à l’origine du projet s’appuie sur le réseau d’ingénieurs du PNRIA
Equipe de recherche :
- Martin Laviale LIEC (CNRS/Université de Lorraine)
- Cédric Pradalier GTL (CNRS/Georgia Institute of Technology/GeorgiaTech Lorraine)
- Jeremy Fix LORIA (CNRS/Université de Lorraine/Inria/CentraleSupélec)
- Aishwarya Venkataramanan LIEC (CNRS/Université de Lorraine) & GTL (CNRS/Georgia Institute of Technology/GeorgiaTech Lorraine)
Ingénieurs du PNRIA :
- Cyril Regan LORIA (CNRS/Université de Lorraine/Inria)