Utilisation d’outils d’intelligence artificielle pour la segmentation d’images 3D d’ovaire de poisson - INRAE - Institut national de recherche pour l’agriculture, l’alimentation et l’environnement Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

An artificial intelligence-based workflow for follicle segmentation from 3D images of fish ovary

Utilisation d’outils d’intelligence artificielle pour la segmentation d’images 3D d’ovaire de poisson

Résumé

L'analyse quantitative du contenu cellulaire d'organes entiers par microscopie permet de comprendre leur organisation en conditions physiologiques ou pathologiques. Dans certains cas, l'analyse exhaustive est essentielle pour évaluer par exemple l'impact d'une mutation sur la mise en place d'une fonction biologique clé. Chez le médaka (Oryzias latipes), un poisson modèle classiquement utilisé pour l'étude de la reproduction, la fertilité des femelles est directement dépendante de la croissance asynchrone des follicules ovariens. Recrutés à partir de pools de cellules germinales, les ovocytes évoluent, en fonction de leur stade de développement, au sein de follicules de différentes classes de tailles (de 20um à plus de 1000um). Chaque jour, une vingtaine d'oeufs sont ainsi pondus dans des conditions de photopériode contrôlée. Pour étudier cette dynamique de croissance, notamment dans le cas d'une lignée mutante présentant une fertilité réduite (miR-202-5p Knockout), nous cherchons à dénombrer et mesurer l'ensemble des follicules contenus dans les ovaires des femelles juvéniles et adultes. A partir d'images d'ovaires en 3D de médaka obtenus en microscopie confocale à fluorescence, nous avons mis en place une séquence d'analyse qui s'appuie sur des réseaux de neurones pré-entraînés accessibles en opensource. La segmentation 3D des follicules a été réalisée avec l'algorithme Cellpose, récemment développé par Stringer.C et al [1], et ce sans nécessiter une étape d'apprentissage sur nos images. Une étape de débruitage appliquée en amont via l'outil Noise2void [2] a également permis d'augmenter la qualité de la segmentation. Grâce aux récents développements des approches de « deep-learning » appliqués aux données de microscopie, nous avons ainsi obtenu des données quantitatives tridimensionnelles jusqu'alors inaccessibles avec des méthodes classiques (Figure 1). Ces nouveaux outils, rendus de plus en plus disponibles aux non-spécialistes du domaine, ont ainsi ouvert la voie à un phénotypage cellulaire profond, dès les stades larvaires précoces chez les femelles invalidées pour le miR-202.
Fichier principal
Vignette du fichier
Communication Orale_Lesage_SFMU-210617.pdf (640.94 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03299572 , version 1 (26-07-2021)

Identifiants

  • HAL Id : hal-03299572 , version 1

Citer

Manon Lesage, Jérôme Bugeon, Manon Thomas, Violette Thermes. Utilisation d’outils d’intelligence artificielle pour la segmentation d’images 3D d’ovaire de poisson. 17. Colloque de la Société Française de Microscopies, Jul 2021, Reims, France. ⟨hal-03299572⟩
85 Consultations
30 Téléchargements

Partager

Gmail Facebook X LinkedIn More