Advancing biomedical second harmonic generation imaging through machine learning for image processing and enhancement.

Aghigh, Arash (2025). Advancing biomedical second harmonic generation imaging through machine learning for image processing and enhancement. Thèse. Québec, Doctorat en sciences de l'énergie et des matériaux, Université du Québec, Institut national de la recherche scientifique, 213 p.

Prévisualisation

PDF - Version publiée Télécharger (62MB) | Prévisualisation

Résumé

Cette thèse explore l'intégration de la microscopie par génération de seconde harmonique (SHG) avec des techniques d’apprentissage automatique pour améliorer les capacités d’imagerie et d’analyse, en s’attaquant aux limitations liées a la résolution, au bruit et à la vitesse d’acquisition. La microscopie SHG, une méthode d’imagerie non linéaire, offre des avantages uniques pour l’étude des structures biologiques non centrosymétriques. Les travaux présentés dans cette thèse élargissent les applications de la microscopie SHG dans la recherche biomédicale grâce à des innovations en traitement d’image, en classification et en amélioration d’image. La première partie de cette thèse propose une revue exhaustive du développement historique, des principes théoriques et des modalités avancées de la microscopie SHG. Une attention particulière est accordée à ses applications en imagerie neuronale et en analyse des structures biologiques, établissant une base solide pour les recherches expérimentales ultérieures. En s’appuyant sur ces connaissances, une étude des tissus glandulaires mammaires combine l’imagerie SHG et SHG résolue en polarisation (P-SHG) avec des réseaux neuronaux convolutifs pour automatiser la classification des tissus touches par des tumeurs et étudier l’optimisation des paramètres d’apprentissage automatique dans le contexte de la microscopie SHG. Cette approche met en évidence des variations structurelles significatives dans le microenvironnement tumoral, offrant des perspectives sur les processus de remodelage tissulaire. Pour répondre aux défis posés par les faibles rapports signal/bruit en imagerie SHG, la thèse applique des modèles d’apprentissage profond, tels que CARE 2D et Noise2Void 2D, pour améliorer la qualité des images. Ces modèles réduisent efficacement le bruit tout en préservant l’intégrité structurelle, permettant ainsi une imagerie de haute qualité avec une puissance laser réduite et minimisant les dommages photoniques aux échantillons biologiques. En outre, ce travail aborde le besoin d’une imagerie plus rapide en utilisant des réseaux antagonistes génératifs super-résolution améliores (ESRGANs). Cette approche innovante accélère l’imagerie P-SHG à l’échelle complète des glandes mammaires, reconstruisant des images haute résolution à partir de données basse résolution tout en maintenant des détails structurels essentiels. La réduction du temps d’imagerie améliore considérablement l’efficacité de la microscopie SHG, la rendant plus adaptée aux études à grande échelle ou sensibles au temps.

Dans l’ensemble, ces travaux démontrent le potentiel transformateur de la combinaison de la microscopie SHG avec des techniques avancées d’apprentissage automatique. Ces innovations améliorent la qualité d’imagerie, réduisent le temps d’analyse et élargissent l’accessibilité de la SHG pour l’étude des structures biologiques complexes. Elles ouvrent la voie à des applications plus larges en recherche biomédicale et en diagnostics cliniques. Les perspectives incluent le développement de systèmes d’imagerie multimodale, l’optimisation des modèles d’apprentissage profond pour des tissus diversifies et la standardisation des techniques SHG pour une intégration dans les flux de travail cliniques.


This thesis explores the integration of second harmonic generation (SHG) microscopy with machine learning techniques to enhance imaging and analysis capabilities, addressing limitations in resolution, noise, and imaging speed. SHG microscopy, a nonlinear imaging method, provides unique advantages for studying non-centrosymmetric biological structures. The work presented advances SHG microscopy’s applications in biomedical research through innovations in image processing, classification, and enhancement. The first part of this thesis provides a comprehensive review of the historical development, theoretical principles, and advanced modalities of SHG microscopy. Emphasis is placed on its applications in neuronal imaging and biological structure analysis, establishing a strong foundation for subsequent experimental research. Building on this knowledge, a study of mammary gland tissues combines SHG and polarization-resolved SHG (P-SHG) imaging with convolutional neural networks to automate the classification of tumor-affected tissues and study machine learning parameter tuning in the context of SHG microscopy. This approach reveals significant structural variations within the tumor microenvironment, offering insights into tissue remodeling processes. To address challenges posed by low signal-to-noise ratios in SHG imaging, the thesis applies deep learning models, including CARE 2D and Noise2Void 2D, to improve image quality. These models effectively reduce noise while preserving structural integrity, allowing for high-quality imaging at reduced laser power and minimizing photodamage to biological samples. Additionally, this work addresses the need for faster imaging by employing enhanced super-resolution generative adversarial networks (ESRGANs). This innovative approach accelerates whole-sample P-SHG imaging of mammary gland tissues, reconstructing high-resolution images from low-resolution data and maintaining critical structural details. The reduction in imaging time significantly improves the efficiency of SHG imaging, making it more suitable for time-sensitive or large-scale studies. Collectively, the findings demonstrate the transformative potential of combining SHG microscopy with advanced machine learning techniques. These innovations enhance imaging quality, reduce analysis time, and expand the accessibility of SHG for studying complex biological structures.

This work paves the way for broader applications of SHG microscopy in biomedical research and clinical diagnostics. Future directions include the development of multimodal imaging systems, refinement of deep learning models for diverse tissues, and standardization of SHG techniques for integration into clinical workflows.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Légaré, François
Mots-clés libres:	Microscopie SHG ; imagerie résolue en polarisation ; apprentissage automatique ; modèles d’apprentissage profond ; imagerie biomédicale ; réduction du bruit ; amélioration d’image ; microenvironnement tumoral ; réseaux antagonistes génératifs (GAN) ; diagnostics cliniques. <br/><br/> Second Harmonic Generation (SHG) Microscopy ; Polarization-Resolved Imaging ; Machine Learning ; Deep Learning Models ; Biomedical Imaging ; Noise Reduction ; Image Enhancement ; Tumor Microenvironment ; Generative Adversarial Networks (GANs) ; Clinical Diagnostics
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	25 août 2025 19:44
Dernière modification:	25 août 2025 19:44
URI:	https://espace.inrs.ca/id/eprint/16604

Gestion Actions (Identification requise)

Modifier la notice