ICARO

Compression d’image en microscopie pour l’intelligence artificielle

La microscopie a connu une révolution au cours des deux dernières décennies. Les techniques de microscopie optique ont fait d'énormes progrès en matière de détection du signal, de vitesse d'acquisition, de résolution spatiale, d’excitation, et ont atteint de nouvelles capacités, comme la reconstruction spatiale et temporelle en 3D de systèmes biologiques vivants ou l'automatisation des processus d'acquisition et de traitement d‘images. Ces réalisations ont non seulement ouvert des perspectives jusqu'alors inconcevables en biologie, en médecine et en science des matériaux, mais ont également transformé la microscopie en une technologie hautement quantitative et d'analyse des données.

En conséquence, le débit extrêmement important des techniques de microscopie a engendré de nouveaux défis complexes, liés au stockage d'ensembles de données massifs sur de longues périodes, à la lenteur de la transmission des données, ainsi qu'à la grande capacité de calcul requise par l'acquisition et le traitement des images. Par exemple, les expériences de microscopie light-sheet (en 3D) génèrent généralement des dizaines ou des centaines de téraoctets de données d'images multidimensionnelles par jour, ce qui correspond à dix fois plus que ce qui était produit il y a cinq ans.

La compression d'images est la seule solution permettant un archivage et un traitement durables et efficaces des données volumineuses en microscopie. Néanmoins, les algorithmes de compression d'image efficaces (tels que JPEG) sont avec perte, ne supportent qu'une gamme dynamique limitée, génèrent des artefacts et ne sont donc pas adaptés à l'analyse, en particulier pour le Deep Learning où un petit artefact dans les données d'entrée peut entraîner des biais dans l’analyse des résultats.

L'objectif du projet est d'adapter et de valider un format d'image compressé adapté aux flux de travail en microscopie, qui se caractérise simultanément par des facteurs de compression élevés et par la préservation de la qualité brute des données d'origine.