Une méthode d’IA révolutionnaire créée par des scientifiques de l’EPFL et de Harvard permet un suivi efficace des neurones chez les animaux en mouvement, à l’aide d’un réseau neuronal convolutif avec « augmentation ciblée ». Cela réduit considérablement les annotations manuelles, accélérant la recherche en imagerie cérébrale et approfondissant notre compréhension des comportements neuronaux.
Des scientifiques de l’EPFL et de Harvard développent une méthode basée sur l’IA pour suivre les neurones des animaux en mouvement, améliorant ainsi l’efficacité de la recherche sur le cerveau avec un minimum d’annotations manuelles.
Des progrès récents permettent l’imagerie des neurones à l’intérieur d’animaux en mouvement libre. Cependant, pour décoder l’activité du circuit, ces neurones imagés doivent être identifiés et suivis par ordinateur. Cela devient particulièrement difficile lorsque le cerveau lui-même se déplace et se déforme à l’intérieur du corps flexible d’un organisme, par exemple chez un ver. Jusqu’à présent, la communauté scientifique manquait d’outils pour résoudre le problème.
Développement d’une méthode d’IA pour le suivi des neurones
Aujourd’hui, une équipe de scientifiques de l’EPFL et de Harvard a développé une méthode d’IA pionnière pour suivre les neurones à l’intérieur d’animaux en mouvement et en déformation. L’étude, maintenant publiée dans Méthodes naturellesétait dirigé par Sahand Jamal Rahi de la Faculté des sciences fondamentales de l’EPFL.
La nouvelle méthode est basée sur un réseau neuronal convolutif (CNN), qui est un type d’IA formé pour reconnaître et comprendre les modèles dans les images. Cela implique un processus appelé « convolution », qui examine de petites parties de l’image – comme les bords, les couleurs ou les formes – à la fois, puis combine toutes ces informations pour leur donner un sens et identifier des objets ou des motifs.
Le problème est que pour identifier et suivre les neurones pendant un film du cerveau d’un animal, de nombreuses images doivent être étiquetées à la main, car l’animal apparaît très différemment au fil du temps en raison des nombreuses déformations corporelles différentes. Compte tenu de la diversité des postures de l’animal, générer manuellement un nombre suffisant d’annotations pour entraîner un CNN peut s’avérer intimidant.
Projection bidimensionnelle d’enregistrements volumétriques 3D de l’activité cérébrale chez C. elegans. Vert : indicateur de calcium génétiquement codé, différentes couleurs : neurones segmentés et suivis. Crédit : Mahsa Barzegar-Keshteli (EPFL)
Augmentation ciblée
Pour résoudre ce problème, les chercheurs ont développé un CNN amélioré doté d’une « augmentation ciblée ». Cette technique innovante synthétise automatiquement des annotations fiables pour référence à partir d’un ensemble limité d’annotations manuelles. Le résultat est que CNN apprend efficacement les déformations internes du cerveau et les utilise ensuite pour créer des annotations pour de nouvelles postures, réduisant ainsi considérablement le besoin d’annotations manuelles et de doubles vérifications.
La nouvelle méthode est polyvalente et permet d’identifier les neurones, qu’ils soient représentés dans les images sous forme de points individuels ou de volumes 3D. Les chercheurs l’ont testé sur l’ascaris Caenorhabditis elegansdont les 302 neurones en ont fait un organisme modèle populaire en neurosciences.
À l’aide du CNN amélioré, les scientifiques ont mesuré l’activité de certains interneurones du ver (neurones qui relient les signaux entre neurones). Ils ont découvert qu’ils présentaient des comportements complexes, par exemple en modifiant leurs schémas de réponse lorsqu’ils étaient exposés à différents stimuli, tels que des explosions périodiques d’odeurs.
Impact sur la recherche
L’équipe a rendu son CNN accessible, en fournissant une interface utilisateur graphique conviviale qui intègre une augmentation ciblée, rationalisant le processus dans un pipeline complet, de l’annotation manuelle à la relecture finale.
« En réduisant considérablement l’effort manuel requis pour la segmentation et le suivi des neurones, la nouvelle méthode multiplie par trois le débit d’analyse par rapport à l’annotation manuelle complète », explique Sahand Jamal Rahi. « Cette avancée pourrait potentiellement accélérer la recherche en imagerie cérébrale et approfondir notre compréhension des circuits et des comportements neuronaux. »
Financement : École Polytechnique Fédérale de Lausanne (EPFL), Helmut Horten Stiftung, Swiss Data Science Center
