L'imagerie cellulaire 3D autosupervisée et sans marquage est arrivée

© 2025 EPFL

© 2025 EPFL

Des chercheuses et chercheurs de l’EPFL présentent CellSeg3D, un outil autosupervisé et sans marquage destiné à la segmentation cellulaire 3D en microscopie à fluorescence, qui améliore l’accessibilité pour diverses études biologiques.


Dans le domaine de l’imagerie biologique, l’identification et la segmentation précises des cellules en trois dimensions (3D) est un défi permanent, nécessitant souvent un marquage manuel poussé. Bien que de nouvelles approches d’apprentissage profond soient apparues ces dernières années et fonctionnent très bien pour la 2D et certaines applications 3D, le besoin de données d’entraînement supervisées est un frein important.

Les méthodes avancées de segmentation cellulaire 3D basées sur l’IA reposent fortement sur un apprentissage supervisé, ce qui nécessite de grands ensembles de données d’images annotées manuellement. Cela peut créer un obstacle significatif, en particulier lorsqu’il s’agit de divers types de tissus ou de populations de cellules rares, où les données annotées sont peu abondantes voire inexistantes. Par exemple, si l’on souhaite entraîner un nouveau modèle à reconnaître les cellules dans les données d’imagerie du cerveau entier, ce qui suscite un intérêt croissant, cela peut prendre des centaines d’heures pour annoter manuellement les données en 3D.

Une équipe dirigée par Mackenzie Mathis, professeure à l’EPFL, vient de développer à la fois un nouvel ensemble de données 3D, indispensable pour tester les modèles, et un nouveau logiciel Python appelé CellSeg3D. Ce logiciel comprend les deux modèles supervisés de pointe, mais surtout, il introduit une nouvelle approche d’apprentissage autosupervisé appelée WNet3D qui segmente les images de microscopie à fluorescence 3D sans marquage manuel. En exploitant les schémas inhérents aux données d’imagerie, CellSeg3D apprend à identifier et délimiter les structures cellulaires de manière autonome.

CellSeg3D est né de l’absence de modèles 3D lorsque l’équipe a voulu analyser des données du cerveau entier de souris. Avec le soutien du Wyss Institute, l’équipe a eu recours au nouveau microscope mesoSPIM pour collecter des données claires sur le cerveau entier. Ensuite, les scientifiques se sont mis à travailler sur des modèles d’évaluation comparative et ont finalement développé CellSeg3D.

«Nous avons développé la base du code presque entièrement en open source, sur GitHub, affirme Mackenzie Mathis. Je suis une fervente partisane de la création d’outils open source utilisables, mais c’était une expérience particulièrement amusante impliquant une équipe d’étudiantes et d’étudiants de premier cycle, de master et de doctorat, un ingénieur logiciel, un technicien et des post-doctorantes et post-doctorants de mon groupe.» Ce développement open source a porté ses fruits: avant même sa publication officielle (la version d’enregistrement) sur eLife, il comptait 95 000 installations.

Les chercheuses et chercheurs ont réalisé des tests rigoureux sur quatre ensembles de données différents, dont un ensemble de données cérébrales de souris capturé avec le microscope à feuille lumineuse mesoSPIM. Dans tous les tests, CellSeg3D a obtenu des résultats équivalents ou supérieurs à ceux des outils supervisés: il a segmenté de manière cohérente des noyaux denses et des structures tissulaires complexes, le tout sans avoir besoin d’une seule image marquée. Cela rend CellSeg3D particulièrement intéressant pour les chercheuses et chercheurs travaillant avec des organismes ou des tissus sous-étudiés, pour lesquels les données d’entraînement marquées n’existent tout simplement pas.

CellSeg3D réduit les obstacles pour l’analyse d’images biologiques 3D. Cela signifie que davantage de laboratoires, y compris ceux qui n’ont pas d’équipe informatique spécialisée, peuvent transformer des données d’imagerie brutes en données exploitables. Il pourrait accélérer la recherche dans des domaines comme la cartographie du cerveau, la biologie du cancer et la médecine régénérative.

Il porte également un message pédagogique important: plusieurs des autrices et auteurs de l’article étaient des étudiantes et étudiants qui ont contribué au développement de CellSeg3D après l’avoir utilisé dans leur travail de cours à l’EPFL.

Principal auteur de l’article d’eLife présentant le logiciel, Cyril Achard, qui a débuté dans le laboratoire de Mackenzie Mathis en tant qu’étudiant de premier cycle puis étudiant en master NeuroX, déclare: «Passer d’un outil d’annotation 3D plus simple à un flux de travail plus conséquent pour la segmentation cellulaire sans marquage était un excellent moyen d’en apprendre davantage sur tous ces concepts; et, plus tard, être confronté à l’ensemble du processus de rédaction d’une publication en a fait une expérience d’apprentissage très complète et unique qui a fortement influencé mes intérêts pendant mon master et au-delà.»

Le modèle de développement open source du projet n’a pas seulement abouti à un meilleur logiciel, il a également formé la prochaine génération de scientifiques interdisciplinaires.

Découvrir CellSeg3D

Liste des contributeurs

  • Brain Mind Institute et Neuro X de l’EPFL
  • Wyss Center for Bio and Neuroengineering
Financement

The Vallee Foundation

Wyss Institute

Fondation Bertarelli

Références

Cyril Achard, Timokleia Kousi, Markus Frey, Maxime Vidal, Yves Paychère Colin Hofmann, Asim Iqbal, Sebastien B. Hausmann, Stéphane Pagès, Mackenzie Weygandt Mathis. CellSeg3D, self-supervised 3D cell segmentation for fluorescence microscopy. eLife 24 juin 2025. DOI: 10.7554/eLife.99848


Auteur: Nik Papageorgiou

Source: Sciences de la vie | SV

Ce contenu est distribué sous les termes de la licence Creative Commons CC BY-SA 4.0. Vous pouvez reprendre librement les textes, vidéos et images y figurant à condition de créditer l’auteur de l’œuvre, et de ne pas restreindre son utilisation. Pour les illustrations ne contenant pas la mention CC BY-SA, l’autorisation de l’auteur est nécessaire.