Apprentissage faiblement supervisé appliqué à la segmentation d'images de protéines neuronales

DC FieldValueLanguage
dc.contributor.advisorDe Koninck, Paul-
dc.contributor.advisorLavoie-Cardinal, Flavie-
dc.contributor.authorBilodeau, Anthony-
dc.date.accessioned2020-07-07T15:47:19Z-
dc.date.available2020-07-07T15:47:19Z-
dc.date.issued2020-
dc.identifier.other36023-
dc.identifier.urihttp://hdl.handle.net/20.500.11794/39752-
dc.descriptionTitre de l'écran-titre (visionné le 9 juillet 2020)-
dc.descriptionThèse ou mémoire avec insertion d'articles-
dc.descriptionTableau d'honneur de la Faculté des études supérieures et postdoctorales, 2020-2021-
dc.description.abstractEn biologie cellulaire, la microscopie optique est couramment utilisée pour visualiser et caractériser la présence et la morphologie des structures biologiques. Suite à l’acquisition, un expert devra effectuer l’annotation des structures pour quantification. Cette tâche est ardue, requiert de nombreuses heures de travail, parfois répétitif, qui peut résulter en erreurs d’annotations causées par la fatigue d’étiquetage. L’apprentissage machine promet l’automatisation de tâches complexes à partir d’un grand lot de données exemples annotés. Mon projet de maîtrise propose d’utiliser des techniques faiblement supervisées, où les annotations requises pour l’entraînement sont réduites et/ou moins précises, pour la segmentation de structures neuronales. J’ai d’abord testé l’utilisation de polygones délimitant la structure d’intérêt pour la tâche complexe de segmentation de la protéine neuronale F-actine dans des images de microscopie à super-résolution. La complexité de la tâche est supportée par la morphologie hétérogène des neurones, le nombre élevé d’instances à segmenter dans une image et la présence de nombreux distracteurs. Malgré ces difficultés, l’utilisation d’annotations faibles a permis de quantifier un changement novateur de la conformation de la protéine F-actine en fonction de l’activité neuronale. J’ai simplifié davantage la tâche d’annotation en requérant seulement des étiquettes binaires renseignant sur la présence des structures dans l’image réduisant d’un facteur 30 le temps d’annotation. De cette façon, l’algorithme est entraîné à prédire le contenu d’une image et extrait ensuite les caractéristiques sémantiques importantes pour la reconnaissance de la structure d’intérêt à l’aide de mécanismes d’attention. La précision de segmentation obtenue sur les images de F-actine est supérieure à celle des annotations polygonales et équivalente à celle des annotations précises d’un expert. Cette nouvelle approche devrait faciliter la quantification des changements dynamiques qui se produisent sous le microscope dans des cellules vivantes et réduire les erreurs causées par l’inattention ou le biais de sélection des régions d’intérêt dans les images de microscopie.fr
dc.description.abstractIn cell biology, optical microscopy is commonly used to visualize and characterize the presenceand morphology of biological structures. Following the acquisition, an expert will have toannotate the structures for quantification. This is a difficult task, requiring many hours ofwork, sometimes repetitive, which can result in annotation errors caused by labelling fatigue.Machine learning promises to automate complex tasks from a large set of annotated sampledata. My master’s project consists of using weakly supervised techniques, where the anno-tations required for training are reduced and/or less precise, for the segmentation of neuralstructures.I first tested the use of polygons delimiting the structure of interest for the complex taskof segmentation of the neuronal protein F-actin in super-resolution microscopy images. Thecomplexity of the task is supported by the heterogeneous morphology of neurons, the highnumber of instances to segment in an image and the presence of many distractors. Despitethese difficulties, the use of weak annotations has made it possible to quantify an innovativechange in the conformation of the F-actin protein as a function of neuronal activity. I furthersimplified the annotation task by requiring only binary labels that indicate the presence ofstructures in the image, reducing annotation time by a factor of 30. In this way, the algorithmis trained to predict the content of an image and then extract the semantic characteristicsimportant for recognizing the structure of interest using attention mechanisms. The segmen-tation accuracy obtained on F-actin images is higher than that of polygonal annotations andequivalent to that of an expert’s precise annotations. This new approach should facilitate thequantification of dynamic changes that occur under the microscope in living cells and reduceerrors caused by inattention or bias in the selection of regions of interest in microscopy images.en
dc.format.extent1 ressource en ligne (100 pages)-
dc.languagefre-
dc.titleApprentissage faiblement supervisé appliqué à la segmentation d'images de protéines neuronales-
dc.typeCOAR1_1::Texte::Thèse::Mémoire de maîtrisefr
dc.date.updated20200720-
dc.subject.rvmIntelligence artificielle -- Applications biologiques.fr_CA
dc.subject.rvmApprentissage profondfr_CA
dc.subject.rvmRéseaux neuronaux (Neurobiologie)fr_CA
dc.subject.rvmMicroscopie -- Technique.fr_CA
dc.subject.rvmApprentissage automatique.fr_CA
dc.subject.rvmSegmentation d'image.fr_CA
dc.subject.rvmMorphologie.fr_CA
dc.subject.rvmRelations structure-activité (Biochimie)fr_CA
dcterms.publisher.locationQuébec-
dc.identifier.bacTC-QQLA-36023-
bul.identifier.controlNumber1163926667-
etdms.degree.nameMaître ès sciences (M. Sc.)fr_CA
etdms.degree.grantorUniversité Lavalfr_CA
bul.identifier.uuidf2f981f2-48bd-411f-8cbd-5010c41a37ae-
bul.faculteFaculté des sciences et de génie.-
etdms.degree.disciplineMaîtrise en biophotonique-
bul.date.reception2020-05-06-
bul.contributor.author_marc100$aBilodeau, Anthony,$eauteur.-
bul.contributor.advisor_marc100$aDe Koninck, Paul,$edirecteur de thèse.-
bul.contributor.advisor_marc100$aLavoie-Cardinal, Flavie,$edirecteur de thèse.-
dc.identifier.nothese36023-
Collection:Thèses et mémoires

Files in this item:
Description SizeFormat 
36023.pdf75.72 MBAdobe PDFThumbnail
View/Open
All documents in CorpusUL are protected by Copyright Act of Canada.