Super resolution computationnelle – COMPURES

Ce projet propose de développer et d’explorer le potentiel de la super-résolution artificielle par apprentissage profond en poussant cette technique à ses limites. Les approches de ce type en microscopie ont jusqu’à présent apporté des augmentations de résolution modérées (jusqu’à 4x) et nécessitent la collecte d’une grande quantité de couples d’images de cellules acquises à deux résolutions différentes. A l’opposé, l’approche que nous proposons de développer ne nécessitera pas de couple d’images et produira des images très résolues (64x) en privilégiant la préservation du contenu sémantique mesurable global au détriment de la reconstruction de détails spécifiques à l'image considérée.

Ce projet vise à démontrer que pour des applications telles que le diagnostic où tous les résultats possibles sont connus et pour certains cribles à haut contenu, ce gain de résolution extrême au prix d'un écart à la réalité possiblement élevé pourrait offrir des avantages substantiels. En effet, dans un premier temps, nous montrerons que cette approche permet d’effectuer un diagnostic explicable et portable pour la Malaria. Il sera explicable car décomposé en une tache de superesolution et une tache de discrimination interprétables issues des images superresolues. Il sera portable car les images faiblement résolues de ce projet seront toutes obtenues depuis un smartphone. Une application portable pourra donc l’embarquer sur le terrain et même à terme ne plus nécessiter de microscope. Dans un second temps, nous examinerons comment ces images artificielles pourront également révéler des détails jamais vu à l'entraînement en exploitant l’adaptation de domaines. Ceci permettra de démocratiser le criblage à haut contenu en imageant une plaque de puit entière en quelques prises. Ce projet interdisciplinaire a le potentiel de révolutionner le diagnostic et la recherche translationnelle préliminaire en laboratoire en les rendant plus accessibles, efficaces et polyvalents.