Détection et segmentation automatisées de bactériocytes à partir d'images de microscopie optique
Résumé
Ce travail présente un outil automatisé basé sur l'apprentissage profond pour la détection et la segmentation des bactériocytes, cellules spécialisées dans l'hébergement des bactéries symbiotiques chez les insectes. L'objectif est d'automatiser la mesure de surface des cellules nettes intactes, une tâche actuellement manuelle. La segmentation automatisée présente plusieurs défis tels que la superposition des cellules, les variations de netteté et la distinction entre cellules intactes et éclatées. Un protocole d'acquisition standardisé de 11 images espacées de 8 µm en microscopie champ clair (Thunder Imager 3D, Leica) a été mis en place. Trois architectures (Mask R-CNN, YOLOv8 et Mask Frozen-DETR) ont été entraînées en validation croisée, et un post-traitement basé sur le score de Dice élimine les prédictions redondantes. Les résultats montrent des performances encourageantes en termes de mAP et de rappel, ouvrant la voie à une automatisation prometteuse après optimisation complémentaire de la précision.
Domaines
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |