L'image montre comment un réseau de neurones est utilisé pour récupérer des informations intéressantes à partir d'une image au microscope. Crédit :Aykut Argun
Un outil d'IA développé à l'Université de Göteborg offre de nouvelles possibilités d'analyse d'images prises avec des microscopes. Une étude montre que l'outil, qui a déjà reçu une reconnaissance internationale, peut changer fondamentalement la microscopie et ouvrir la voie à de nouvelles découvertes et domaines d'utilisation au sein de la recherche et de l'industrie.
L'objectif de l'étude est l'apprentissage en profondeur, un type d'intelligence artificielle (IA) et d'apprentissage automatique avec lequel nous interagissons tous quotidiennement, souvent sans y penser. Par exemple, lorsqu'une nouvelle chanson apparaît sur Spotify et ressemble à des chansons que nous avons déjà écoutées ou lorsque l'appareil photo de notre téléphone portable trouve automatiquement les meilleurs paramètres et corrige les couleurs d'une photo.
"L'apprentissage en profondeur a pris le monde d'assaut et a eu un impact énorme sur de nombreuses industries, secteurs et domaines scientifiques. Nous avons maintenant développé un outil qui permet d'exploiter l'incroyable potentiel du deep learning, en mettant l'accent sur les images prises au microscope, " dit Benjamin Midtvedt, doctorant en physique et auteur principal de l'étude.
L'apprentissage en profondeur peut être décrit comme un modèle mathématique utilisé pour résoudre des problèmes difficiles à résoudre à l'aide de méthodes algorithmiques traditionnelles. En microscopie, le grand défi est de récupérer autant d'informations que possible à partir des images riches en données, et c'est là que l'apprentissage en profondeur s'est avéré très efficace.
L'outil que Midtvedt et ses collègues de recherche ont développé implique des réseaux de neurones qui apprennent à récupérer exactement les informations qu'un chercheur souhaite à partir d'une image en parcourant un grand nombre d'images, connu sous le nom de données d'entraînement. L'outil simplifie le processus de production des données d'entraînement par rapport à la nécessité de le faire manuellement, de sorte que des dizaines de milliers d'images peuvent être générées en une heure au lieu d'une centaine en un mois.
"Cela permet d'extraire rapidement plus de détails des images microscopiques sans avoir besoin de créer une analyse compliquée avec les méthodes traditionnelles. De plus, les résultats sont reproductibles, et personnalisé, des informations spécifiques peuvent être récupérées dans un but précis."
Par exemple, l'outil permet à l'utilisateur de décider de la taille et des caractéristiques du matériau pour les très petites particules et de compter et de classer facilement les cellules. Les chercheurs ont déjà démontré que l'outil peut être utilisé par les industries qui ont besoin de purifier leurs émissions puisqu'elles peuvent voir en temps réel si toutes les particules indésirables ont été filtrées.
Les chercheurs espèrent qu'à l'avenir, l'outil pourra être utilisé pour suivre les infections dans une cellule et cartographier les mécanismes de défense cellulaire, ce qui ouvrirait d'énormes possibilités pour de nouveaux médicaments et traitements.
« Nous avons déjà constaté un intérêt international majeur pour l'outil. Quels que soient les enjeux microscopiques, les chercheurs peuvent désormais plus facilement mener des analyses, faire de nouvelles découvertes, mettre en œuvre des idées et innover dans leurs domaines."