Interferometrie optique par Deep Learning pour l'extraction de correlations spatiales/temporelles de cellules dans l'oeil in vivo – DEEPINCELL

Le projet a combiné trois approches.

D'abord, l'apprentissage à partir des images elles-mêmes. Un réseau de neurones a été entraîné à comparer deux acquisitions du même endroit de la cornée : ce qui diffère entre elles est le bruit, ce qui reste est la cellule. Cette méthode ne demande aucune image « parfaite » de référence, ce qui est décisif quand on travaille sur un organe vivant.

Ensuite, la simulation. Les données d'œil humain sont rares et peu variées. Nous avons donc fabriqué des images artificielles : des structures ressemblant à des cellules, générées par une technique empruntée à l'imagerie de synthèse — le bruit de gradient — et des franges d'interférence simulées à partir du modèle physique du phénomène. Un réseau entraîné uniquement sur ces images inventées a ensuite été appliqué à de vraies cornées.

Enfin, l'instrumentation. Toutes les images ont été acquises sur des dispositifs construits au laboratoire, en collaboration clinique avec l'Hôpital national des Quinze-Vingts : un OCT plein champ ophtalmique, un montage à deux interféromètres suivant la position de l'œil en temps réel, et un microscope interférométrique en transmission conçu pendant le projet.

Le principal résultat est qu'une image tomographique peut être reconstruite à partir d'une seule image de caméra, là où il en fallait deux à quatre. Le réseau y parvient précisément parce qu'il exploite les franges d'interférence, qui impriment sur les structures un motif fin dont il a appris à extraire l'information. L'image obtenue est de meilleure qualité que la moyenne de cinq acquisitions classiques, tout en étant vingt fois plus rapide — donc moins exigeante pour le patient, qui doit rester immobile bien moins longtemps, et plus sûre, puisque son œil reçoit d'autant moins de lumière.

Deux résultats inattendus sont venus s'y ajouter. Le premier : les algorithmes fonctionnent au-delà de ce sur quoi ils ont été entraînés. Un réseau entraîné uniquement sur des sujets sains a correctement traité les images d'un patient présentant des microplis cornéens, une anomalie totalement absente de son apprentissage. Le second, plus surprenant encore : le réseau entraîné exclusivement sur des cellules et des franges entièrement inventées débruite les vraies cornées mieux que celui entraîné sur des données réelles, dans les cas les plus difficiles.

Le projet a par ailleurs établi qu'une famille de bruits jusque-là hors de portée des méthodes d'apprentissage — les bruits corrélés à longue distance — leur est en fait accessible, ce qui dépasse le cadre de l'ophtalmologie.

L'ambition suivante est d'observer non plus la forme des cellules mais leur activité : les mouvements internes des organites trahissent le métabolisme cellulaire, et savoir les mesurer dans un œil vivant ouvrirait une fenêtre diagnostique entièrement nouvelle. Cette étape s'est heurtée pendant le projet à une limite physique : l'interféromètre classique exige un alignement d'une précision de quelques micromètres, difficilement compatible avec un œil qui bouge.

C'est en cherchant à contourner cet obstacle que le projet a trouvé sa piste la plus prometteuse : un montage interférométrique en transmission, dont la géométrie se règle d'elle-même et supprime donc la contrainte d'alignement. Cette approche, absente du programme initial, a depuis été publiée dans Nature Communications et appliquée à une série de plus de cent patients.

Nous avons récemment étudié plusieurs méthodes d'imagerie par interférométrie optique et en particulier les méthodes provenant de l'interaction entre les ondes lumineuses et les structures de l’œil. Ces modèles d'interférence sont intrinsèquement complexes, contenant des informations sur l'organisation des structures cellulaires à l'échelle submicronique. De manière inattendue, nous avons découvert que les corrélations spatiales complexes de ces modèles peuvent être apprises par des réseaux de neurones profonds. De plus, ces réseaux profonds peuvent discriminer entre différents types de corrélations présentes dans une même image. Cette découverte est importante, elle fournit, en effet, une base pour la création d'un outil basé sur l'apprentissage analogue aux outils de traitement du signal conventionnels (par exemple, PCA, SVD). Les composantes principales ayant une signification physique simple (par exemple, des modèles de cellules, des modèles d'interférence qui se chevauchent). Un tel outil serait d'une grande valeur pour de nombreux domaines, par exemple pour l'imagerie tomographique optique des tissus biologiques. En cas de succès, cet outil pourrait être immédiatement appliqué pour améliorer les performances des instruments de tomographie optique existants via : 1) le débruitage (en extrayant les signaux cellulaires intégrés dans le bruit d'interférences corrélées) et l'imagerie à mono coup (en extrayant les signaux cellulaires de faible luminosité d’un fond de haute luminosité que fournit la caméra). Cette idée peut être avantageusement étendue à la 3ème dimension (le temps). Dans ce cas, les réseaux pourraient décomposer la pile temporelle d'images 2D en différents modèles corrélés spatio-temporels. Par exemple, séparer les mouvements liés à la dynamique des mouvements locaux (cellules) et globaux (œil entier). Cela pourrait conduire à un dispositif de diagnostic d'un nouveau type, capable d'extraire la dynamique cellulaire métabolique in vivo. Le projet se concentre sur l'imagerie oculaire chez les sujets sains et les patients pathologique ; néanmoins notons que les approches développées seront généralisables à de nombreuses méthodes d'interférométrie et à de nombreuses classes d’échantillons.