​

Etude et modélisation des tissus cérébraux sains et pathologiques

​Les données de base exploitées dans ce programme de recherche sont des échantillons de tissus biologiques cérébraux acquis post mortem principalement sous la forme de coupes histologiques 2D mais également de cultures cellulaires étudiées in vitro. Les marquages d'intérêt sont produits par des techniques d'immunohistochimie et d'histochimie sur la plateforme d'histologie de MIRCen afin de cibler les types cellulaires d'intérêt (neurones, glies, etc.), les principaux composants tissulaires (vaisseaux, faisceaux de myéline, etc.) mais également les agrégats pathologiques caractéristiques de pathologies neurodégénératives tels que les plaques amyloïdes et les dégénérescences neurofibrillaires impliquées dans la maladie d'Alzheimer. La numérisation de ces données massives repose sur l'exploitation de plusieurs microscopes optiques et scanners de lames virtuelles présents sur les plateformes de microscopie du CEA Fontenay-aux-Roses (MIRCen, IDMIT et SEPIA).

Axe 1 : segmentation cellulaire par Intelligence Artificielle

Avec l'avènement ces dernières années de l'IA et plus particulièrement de l'apprentissage profond (deep learning), l'analyse de données massives d'histologie repose sur des algorithmes de segmentation sémantique (classes de tissus) et/ou d'instance (objets, cellules). Les niveaux de performance ainsi atteints dépassent très largement les techniques de machine learning classiquement utilisées jusqu'à présent mais requièrent : 1) de produire des bases d'apprentissage complexes, diverses et coûteuses en terme de temps d'annotation, 2) des infrastructures intégrant des solutions logicielles de deep learning de référence ou développées en interne à des fin de comparaison et de mise en production (architecture, post-traitement, validation) ainsi que 3) des ressources matérielles informatiques conséquentes (architectures de calcul intensif CPU – GPU, réseaux haut débit, capacités de stockage des données, etc.).

Axe 2 : mise en registre multimodale et multi-échelle ​​de données biomédicales

Les premiers travaux de recherche en traitement de l'image du LAMBIA ont permis de développer une expertise importante autour de la reconstruction post mortem 3D, l'analyse de biomarqueurs de pathologies à l'échelle mésoscopique (consommation de glucose par autoradiographie, étude de la charge amyloïde, etc.), l'exploitation d'atlas numériques de cerveaux ainsi que la mise en registre de données multimodales acquises in vivo et post mortem. Les applications concernent la caractérisation de modèles expérimentaux ainsi que le test d'efficacité de nouvelles thérapies. Ces axes de recherche méthodologiques restent d'actualité dans le cadre de la segmentation des différents composants tissulaires cérébraux à l'échelle microscopique qui constitue aujourd'hui l'axe principal d'investigation dans les projets de recherche du LAMBIA et pour les années à venir (caractérisation de la cytoarchitecture cérébrale, validation de protocoles d'exploration menés par IRM haut champ, etc.).

Collaborations 

• Dr Cyril POUPON: Ex vivo ultra-high field imaging, Neurospin, Ginkgo research team, BAOBAB, UMR9027, CEA, France
  
• Pr Christophe DESTRIEUX: Investigation of ex vivo human brain samples, INSERM iBRAIN U1253 Research Unit, Université de Tours, Tours
  
• Dr Jean-Philippe DESLYS: Microscopic image analysis with AI-methods, Unit of Prion Disorders and Related Infectious Agents (SEPIA), CE​A, France
• Dr Zhenzhen YOU: Neuron instance segmentation using deep learning methods, Lecturer, University of Technology of Xi'an, China,
• Dr Piotr TOPILKO: Image analysis of in vitro culture of NF1 tumor models using microscopy, Institut Mondor de Recherche Biomédicale, Paris, France (in collaboration with Dr Nicolas BREMOND, ESPCI, Paris)
• Dr Pietro Gori, AI methods for analyzing biomedical imaging data, Télécom Paris in the IMAGES group of the LTCI lab, France.