SC1 : Méthodes émergentes pour le traitement de données et l’acquisition

L’apprentissage profond a changé la donne du traitement de données d’imagerie et impacte fortement le domaine de la microscopie. En imagerie, il s’agit en général de réseau de neurones convolutifs profonds recherchant des similarités dans les images avec différents degrés de précisions pour différentes échelles d’observation. Cette recherche de similarité permet ensuite de résoudre un large nombre de problèmes. Pour la microscopie, ces nouvelles approches révolutionnent la détection d’objet d’intérêt, la classification, la segmentation, la réduction de bruit, l’augmentation de résolution ou encore la fusion de modalités. Elles permettent donc à la fois d’augmenter la qualité des images ou d’extraire davantage d’informations quantitatives. Les méthodes d’apprentissage se nourrissent de données, pouvant être obtenues expérimentalement ou construites numériquement. En dépit de leur puissance, ces méthodes ont également des limitations qui soulèvent des questions importantes, comme la génération d’artefacts en cas d’écart avec les données d’entraînement ou la difficulté à interpréter les décisions des réseaux de neurones.  Dans ce symposium, nous nous intéresserons à ces nouvelles approches, à leurs implications pour les méthodes et applications de la microscopie, ainsi qu’aux approches plus classiques, permettant d’extraire plus d’information des images. Nous nous intéressons également aux méthodologies émergentes en lien avec l’acquisition pour améliorer la résolution et/ou la vitesse de prise d’images. 

Mots-clés : méthodologies émergentes, extraction de données, apprentissage profond, traitement d’image.