Soutenance de thèse : Super-résolution par apprentissage profond pour l'imagerie grand champ du réseau de porosité de la dentine - Lauren Anderson (OPTIMA, LIPhy)

L'imagerie de la porosité dentinaire représente actuellement un défi en odontologie. Cette porosité résulte de la présence de processus cellulaires des odontoblastes, situés dans la pulpe, supposés jouer un rôle clé dans la mécanoperception. Elle se compose de tubules microscopiques interconnectés avec des branches submicroscopiques contenant des processus cellulaires entourés de fluides physiologiques. L'observation récente de l'organisation de ces vaisseaux poreux en un réseau dense laisse supposer que la propagation des stimuli mécaniques ou thermiques pourrait être plus complexe qu'on ne le pense actuellement. La visualisation 3D de ce réseau est donc essentielle pour comprendre le fonctionnement des dents. Cela impose de fortes contraintes sur la résolution, qui doit être de l'ordre de 100 nm pour imager les plus petits pores, tout en permettant l'observation d'une section de dent entière afin de prendre en compte les fluctuations histologiques et anatomiques. Cela dépasse les capacités de toutes les modalités ou instruments d'imagerie existants actuellement.

Pour obtenir une visualisation haute résolution (HR) de la porosité de la dent entière, nous proposons d'utiliser des modèles de super-résolution (SR) basés sur l'apprentissage profond (DL) et entraînés à partir d'images de microscopie confocale de fluorescence, modalité de référence. Le principe consiste à appliquer des modèles SR pour restaurer la résolution optique la plus élevée possible sur des images dégradées acquises beaucoup plus rapidement par sous-échantillonnage du scan. Les modèles SR sont entraînés à l'aide de paires d'images à basse résolution (LR) et à haute résolution (HR). Trois modèles DL supervisés (RCAN, FSRCNN, pix2pix) et un modèle non supervisé (CycleGAN) ont été testés sur un jeu unique d'images confocales à haute et basse résolution appariées expérimentalement, acquises avec des tailles de pixels de x2, x4 et x8. L'entraînement a été effectué sur des patchs soigneusement sélectionnés pour équilibrer la représentation des différentes classes de caractéristiques de porosité. L'évaluation qualitative des performances des modèles a montré de bons résultats à une dégradation x2 et jusqu'à une dégradation x8 pour le CycleGAN. Une analyse quantitative des images HR générées a ensuite été effectuée avec des métriques d'évaluation de la qualité d'image (IQA) basées sur la similarité et la distribution, en contradiction avec l'évaluation visuelle. Cela a mis en évidence la nécessité de développer une évaluation biologique basée sur les échelles et la morphologie des composants connectés en 2D et la connectivité du réseau de porosité par analyse de graphe en 3D. L'ensemble des résultats montre que les modèles CycleGAN et pix2pix ont de bonnes performances jusqu'à x8. Une version améliorée du CycleGAN a été appliquée à des acquisitions LR à grand champ de vue à x4 et x8, produisant des volumes HR de 5,8 mm x 3,3 mm x 20,4 µm.

Les résultats de cette étude demontrent l'intérêt de l'utilisation de modèles SR avec la microscopie confocale pour restaurer les détails HR. Les modèles CycleGAN et pix2pix ont de bonnes performances jusqu'à x8, réduisant le temps de balayage d'un facteur 20,3. L'évaluation biologique a permis une meilleure interprétation des performances des modèles SR, notamment pour identifier des composantes manquantes ou des faux positifs, l'effet des faibles intensités ou des non-linéarités des modèles. Grâce à un CycleGAN amélioré, un large champ de vue HR a pu être généré 8,1x plus rapidement qu'une acquisition HR standard, représentant une économie de plus de 300 heures de mesure. Ceci ouvre des perspectives pour la visualisation HR à grande échelle du réseau de porosité microscopique et submicroscopique de la dentine à l'échelle de la dent entière.