Équipe
MAMBO
Responsable d’équipe : Weiss Pierre
Présentation
Notre équipe mêle mathématiques et informatique pour :
– L’amélioration des microscopes grâce à la modélisation, à l’intelligence artificielle et à l’imagerie computationnelle.
– L’analyse automatisée d’images biologiques 2D/3D.
– La conception et l’analyse de modèles mathématiques en biologie.
– L’établissement de résultats mathématiques fondamentaux et d’algorithmes certifiés. L’un de nos objectifs récents est de comprendre et d’explorer les forces et les limites du « deep learning » et des réseaux de neurones artificiels.
– Le développement de bibliothèques et de plugins open source tels que DeepInv, GlobalBioIm, Svetlana, Sketchpose, VSNR, …
Projet 1
Dans ce projet, nous cherchons à estimer une fonction d’étalement du point (PSF) variant dans l’espace directement à partir d’images 2D/3D acquises au microscope. Cette approche poursuit plusieurs objectifs :
– Caractériser le système optique
– Améliorer la résolution des images à l’aide de techniques computationnelles
– Concevoir des systèmes d’imagerie computationnelle (par exemple, optimiser la microscopie à illumination aléatoire) en collaboration avec la plateforme d’imagerie
– Évaluer la diffraction induite par l’échantillon lui-même et en déduire des propriétés biophysiques, telles que les indices de réfraction
Projet 2
Dans ce projet commun avec l’équipe de Fabian Erdel, nous visons à mieux comprendre comment les condensats se forment au sein des cellules, grâce aux techniques d’imagerie FRAP. Après un photoblanchiment, les molécules fluorescentes se déplacent et récupèrent progressivement un état stationnaire. En analysant les séquences d’images pendant la récupération, nous pouvons évaluer des paramètres biophysiques tels que la perméabilité de la membrane, les coefficients de diffusion à l’intérieur et à l’extérieur du condensat, la probabilité de se lier à d’autres éléments, etc. Cela nécessite une modélisation physique précise, des algorithmes numériques et une certification des solutions.
Projet 3
Dans ce projet, nous visons à développer de nouveaux modèles d’apprentissage profond pour faciliter la segmentation et la classification d’objets dans les images biologiques. Nous nous intéressons particulièrement aux solutions interactives, où l’utilisateur apprend progressivement à un modèle d’apprentissage profond à accomplir une tâche spécifique.
Projet 4
Nous menons des recherches fondamentales en mathématiques pour mieux comprendre les propriétés des objets complexes rencontrés en mathématiques, tels que les réseaux de neurones et les problèmes inverses. Ce processus nourrit l’ensemble de nos autres recherches.
Projet 5
La modélisation mathématique est un excellent moyen de mieux comprendre les systèmes vivants, de clarifier les hypothèses, mais aussi d’évaluer des paramètres quantitatifs à partir d’expériences. Cependant, la plupart du temps, les paramètres ne peuvent être observés que de manière indirecte et incomplète. L’objectif de ce projet est de développer des outils qui détectent automatiquement quels paramètres peuvent être identifiés à partir d’une expérience couplée à un modèle mathématique et quels paramètres ne peuvent pas l’être. En un sens, nous voulons identifier les paramètres non identifiables et guider les biologistes dans la conception de nouvelles expériences.
– Sketchpose: learning to segment cells with partial annotations. C. Cazorla, N. Munier, R. Morin, P. Weiss. Preprint, (2024)
– Surpassing Light Inhomogeneities in Structured-Illumination Microscopy with FlexSIM. E. Soubies, A. Nogueron, F. Pelletier, T. Mangeat, C. Leterrier, M. Unser, and D. Sage. Journal of Microscopy, (2024)
– DEEP-BLUR: Blind Identification and Deblurring with Convolutional Neural Networks V. Debarnot, P. Weiss. Biological Imaging, Cambridge University Press, (2024)
– SVETLANA: A Supervised Segmentation Classifier for NAPARI. C. Cazorla, R. Morin, P. Weiss. Scientific Reports, (2024).
– Training Adaptive Reconstruction Networks for Blind Inverse Problems. A. Gossard, P. Weiss. SIAM Imaging Science, (2024).
– DeepVibes: Correcting Micro-Vibrations in Satellite Imaging with Pushbroom Cameras M.H. Nguyen, F. De Vieilleville, P. Weiss. IEEE Transactions on Geoscience and Remote Sensing, (2024).
– The MLE is a reliable source: sharp performance guarantees for localization problems. N. Munier, E. Soubies & P. Weiss, Inverse Problems, (2023).
– Bayesian Optimization of Sampling Densities in MRI. A. Gossard, F. de Gournay & P. Weiss, MELBA: Machine Learning for Biomedical Imaging, (2023).
– Sampling rates for l1 synthesis. M.März, C. Boyer, J. Kahn, P. Weiss. Foundations of Computational Mathematics, (2022).
– Learning low-dimensional models of microscopes. V. Debarnot, P. Escande, T. Mangeat, P. Weiss. IEEE Transactions on Computational Imaging, (2021).
Affiliation
