Generation extraction and characterisation on brain organoid culture images with small datasets constraints.
Génération extraction et caractérisation sur des images de cultures cérébrales avec une contrainte de petites bases de données.
Abstract
Brain organoids (BO) are promising recent brain models, but tools are lacking to follow their development, with very few images available. This thesis aims to automate the extraction and appropriately characterize their morphologies on small datasets. A small dataset was augmented by various generative adversarial networks (GANs) and the best one was optimized. Most optimisations are suitable to enrich the dataset. The effect of a noise variation by GAN to generate images closer to the exceptions has been studied, and these images have also been validated automatically, statistically and psychovisually. The shape of the original BOs was then extracted by deep learning and a better accuracy was obtained if the training is carried out by an optimized GAN. The architecture of the extraction has been reduced to adapt it to small datasets. Thanks to the segmented images, morphology of the organoids was characterized by calculating morphological indices, but also by finding their imprint by analyzing topological data. Characterizing an index of their development (neuroepithelia) in association with another laboratory would be a future step, such as validating this approach on other brain cultures and for various microscopic acquisition methods.
Les organoides cérébraux (OC) sont des modèles récents et prometteurs pour le suivi du développement cérébral.
Cependant, les biologistes manquent d’outils d'analyse automatique ou semi-automatique pour suivre leur développement in vitro, du fait de la faible quantité d’images disponibles actuellement.
Dans ce contexte, cette thèse vise à automatiser l’extraction et à caractériser de façon adaptée la morphologie des organoïdes cérébraux sur de petits datasets d'images acquises en microscopie à divers stades de la croissance de ces cultures.
Dans cet objectif, un petit dataset a été augmenté par divers réseaux adverses génératifs (GAN) et le meilleur d'entre eux au regard de critères psychovisuels, statistiques et, quantitatifs a été optimisé.
Quel que soit l’optimisation utilisée pour générer des images, elle enrichit le dataset de manière constructive, excepté pour un groupe.
De manière complémentaire, l’effet d’une variation du bruit par GAN pour générer des images plus proches des exceptions a été étudié, et les images générées ont été validées également automatiquement, statistiquement et psychovisuellement.
Dans la continuité de cette première contribution, la forme des OC originels a été extraite par deep learning et nous montrons qu'une meilleure précision peut être obtenue si l’entraînement est réalisé par un GAN optimisé.
L’architecture de l’extraction a été réduite pour l’adapter aux petits datasets.
Enfin, grâce aux images segmentées, la morphologie des OC a pu être caractérisée par calcul d’indices morphologiques, mais également en déterminant leur empreinte par analyse de données topologiques.
Caractériser un indice de leur développement (neuroépithéliums) en association avec un autre laboratoire serait une étape future comme la validation de cette approche sur d'autres cultures cérébrales et pour diverses modalités d’acquisition microscopiques.
Origin | Files produced by the author(s) |
---|