Accélération de l'imagerie par génération de seconde harmonique résolue en polarisation à l'aide de méthodes d'amélioration de résolution basées sur l'apprentissage automatique.

Mohammadi, Melika Sadat (2025). Accélération de l'imagerie par génération de seconde harmonique résolue en polarisation à l'aide de méthodes d'amélioration de résolution basées sur l'apprentissage automatique. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maitrise en sciences de l'énergie et des matériaux.

Prévisualisation

PDF - Version publiée Télécharger (39MB) | Prévisualisation

Résumé

La microscopie par génération de second harmonique résolu en polarisation (GSH-P) s’est imposée comme un outil précieux pour étudier la structure et les propriétés optiques des matériaux biologiques non-centrosymétriques, tels que les fibres de collagène. Cependant, l’utilisation classique de la microscopie GSH-P pour des échantillons biologiques entiers présente des limitations pratiques, notamment des temps d’acquisition prolongés, le coût élevé des équipements à haute résolution, et le risque de photo-dommages induits par le laser au cours de l’imagerie.

Pour surmonter ces obstacles, ce mémoire propose et évalue une méthode innovante d’amélioration d’images. Cette approche s’appuie sur les réseaux de génération adversariales (GAN) à super-résolution (ESRGAN) pour clarifier les images GSH-P à faible résolution tout en préservant leur structure et leur précision. Grâce à cette technique d’apprentissage profond, le temps d’imagerie a été réduit de 4.5 heures à seulement 13.5 minutes, soit une amélioration de plus de 95 %, sans compromis sur la qualité des images. Une évaluation approfondie, utilisant des métriques sans référence et avec référence telles que MS-SSIM, PSNR et NRMSE, a démontré que cette méthode conserve systématiquement les caractéristiques structurelles clés nécessaires à l’analyse biologique.

Cette méthode a été appliquée à l’imagerie d’échantillons entiers de glandes mammaires, où l’évaluation précise de l’anisotropie et de l’orientation des fibres de collagène est essentielle pour comprendre l’architecture tissulaire et identifier les modifications pathologiques. Les images revalorisées ont montré une excellente compatibilité avec des techniques analytiques avancées telles que CurveAlign, permettant une évaluation précise des structures de collagène. Cette technique a permis d’améliorer simultanément la vitesse et la qualité de l’imagerie tout en réduisant l’exposition au laser, en prévenant les dommages aux échantillons et en préservant l’intégrité chimique et morphologique des tissus. De plus, la possibilité d’utiliser des composants optiques à faible coût a considérablement diminué les barrières financières à l’adoption de la microscopie GSH-P.

L’approche basée sur ESRGAN offre des applications variées, y compris l’imagerie à grande échelle, le diagnostic clinique et l’ingénierie tissulaire. Cependant, certaines limitations subsistent, comme la dépendance aux ensembles de données d’entraînement haute résolution et les effets de lissage inattendus qui peuvent masquer des variations internes plus fines des structures. Les recherches futures pourraient résoudre ces limites en développant des modèles généraux capables d’apprendre directement à partir de données basse résolution et en intégrant des contraintes spécifiques au domaine pour améliorer la fidélité structurelle.

En conclusion, ce mémoire propose un cadre novateur pour l’imagerie GSH-P à haute résolution et à haut débit, qui surmonte les compromis habituels entre vitesse, résolution et sécurité des échantillons. La méthode proposée a le potentiel d’améliorer considérablement l’imagerie biologique en permettant une acquisition rapide, économique et de haute qualité des images, avec des implications majeures pour la recherche et les applications médicales.


Polarization-resolved second-harmonic generation (P-SHG) microscopy has been increasingly used as a valuable tool to study the structure and optical features of non-symmetric biological materials, such as collagen fibers. Nevertheless, there are some practical limitations to using regular P-SHG imaging for whole biological samples, including long acquisition times, high-resolution equipment expenses, and the risk of laser-induced photodamage during imaging.

To overcome these limitations, in this thesis, we developed and tested a new way of enhancing images. This approach employs the super-resolution generative adversarial networks (ESRGAN) to clarify low-resolution P-SHG images with their structure and accuracy intact. With this deep learning technique, we reduced the imaging time from 4.5 hours to merely 13.5 minutes - a more than 95% enhancement - without compromising image quality. Using no-reference and full-reference metrics such as MS-SSIM, PSNR, and NRMSE, extensive testing demonstrated that this approach consistently preserves the key structural features necessary for biological analysis.

This approach was applied to imaging whole mammary gland samples, where precise evaluation of collagen fiber anisotropy and orientation is crucial for understanding tissue architecture and identifying pathological modification. Upscaled images indicated incredible compatibility with advanced analytical techniques such as CurveAlign, allowing for exact evaluations of collagen structures. This technique improved imaging speed and quality while also reducing laser exposure, preventing sample damage, and preserving tissue chemical and morphological integrity. Furthermore, the ability to use low-cost optical components significantly decreased the financial barriers to using P-SHG microscopy.

The ESRGAN-based approach has diverse applications, including large-scale imaging, clinical diagnostics, and tissue engineering. However, problems persist, such as dependency on high-resolution training datasets and unexpected smoothing effects which hide finer internal structural differences. Future research could address these limitations by creating general models that learn directly from low-resolution information and using domain-specific restrictions to improve structural fidelity.

In conclusion, this thesis offers an innovative framework for high-resolution, high-throughput P-SHG microscopy that overcomes typical trade-offs between speed, resolution, and preventing sample damage. The proposed method has the potential to improve biological imaging by enabling fast, low-cost, and high-quality image acquisition, with major implications for biomedical applications.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Légaré, François
Mots-clés libres:	Génération de second harmonique résolu en polarisation (GSH-P) ; Apprentissage profond ; Réseaux antagonistes génératifs à super-résolution (ESRGAN) ; Analyse du collagène ; Imagerie à haut débit ; Développement de la glande mammaire ; Imagerie biologique ; Fidélité structurelle ; Polarization-resolved second harmonic generation (P-SHG) ; Deep learning ; Super-resolution generative adversarial networks (ESRGAN) ; Collagen analysis ; High-throughput imaging ; Mammary gland development ; Biological imaging ; Structural fidelity.
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	01 mai 2026 18:37
Dernière modification:	01 mai 2026 18:37
URI:	https://espace.inrs.ca/id/eprint/17155

Gestion Actions (Identification requise)

Modifier la notice