Vidéo-microscope 3D et compact, utilisant de la tomographie de diffraction optique sans mesure de phase couplé à des réseaux de neurones profonds

We aim at retrieving 3D refractive optical index (RI) of large samples (around 200 µm) from Intensity Diffraction Tomography (IDT) where the dataset is obtained by recording diffraction image with a variety of illumination angles.IDT targets biological imaging in a label-free manner using the optical variation within the sample and multiple tilted imaging to reconstruct the 3D map of RIs. However, standard IDT techniques reveal several drawbacks in terms of limited field of view and feasibility of imaging living samples in time-lapse conditions. We focused on time-lapse imaging of large sample (>200µm) without the need of large NA objective or immersion oil.The challenge created by the absence of the phase information (intensity only measurements) as well as the limited illumination angle (low NA due to low magnification) has been solved using a Beam Propagation Method (BPM) embedded inside a deep leaning framework. The layers are encoding the 3D optical representation of the sample. Besides, we included in the forward model the effect of the spherical aberration introduced by the optical interfaces, which gave a strong impact on measurements under oblique illumination in terms of 3D spatial resolution.Using this framework, we achieved 3D reconstructions of mouse embryos (>100µm) in time-lapse conditions over 7 days, as well as liver organoid. We could observe the intrinsic embryonic development from single cell (low-scattering sample) to the blastocyst level (highly scattering sample) as well as the rotational movement and growth rate of liver organoid. Such time-lapse yields quantitative information on the development and viability of biological sample in view of the sub-cellular imaging capacities. Our technology opens up novel opportunities for 3D live cell imaging of whole organoids in time-lapse.However, the use of a wide field of view inherently limits the maximum illumination angle possible. This directly affects the 3D reconstruction as it generates an axial elongation of each object or inner substructure, leading to a poor axial resolution (10 times greater than radial resolution)Motivated by the great results of Convolutional Neural Network in correcting reconstruction problem, we decided to applied deep learning methods to our elongation problem. The idea of our process is to combine two learning methods each proven to solve a different axial reconstruction issue. One network recovers the inner structures; the other retrieves the global structure of the object. To ensure the continuity of the CNN output along each direction the training is performed on 3D random synthetic volumes.We will assess the quality of this learning method by checking its efficiency on mouse embryo and prostatic organoid as well as many various synthetic data.Le but de cette thèse est de reconstruire en 3D l’indice de réfraction de gros échantillons biologiques (> 200 µm) grâce à de la tomographie de diffraction à partir d’image d’intensité (IDT). L’information 3D est encodée dans une multitude d'images de diffraction à des angles d’éclairage différents.La tomographie de diffraction n’a pas besoin de fluorescence pour imager des échantillons biologiques, elle se contente d’exploiter les changements de propriétés optiques de l’échantillon pour en reconstruire une carte 3D de l’indice de réfraction. Comme les techniques standards ont des champs de vue limités ainsi que des systèmes complexes souvent non compatibles avec les incubateurs, on s’est principalement concentré sur la création d’un système compact pouvant imager de gros échantillons (> 200 µm) sans huile de couplage ni objectifs à forte ouverture numérique.La complexité de la reconstruction 3D causée par une faible couverture angulaire (elle même causée par une faible ouverture numérique d’objectif à faible grossissement), un manque d’information (Image d’intensité uniquement, sans la phase) est grande. Afin d’y parvenir, un modèle multicouche prenant en compte les diffractions multiples (le BPM) a été implémenté dans une infrastructure logicielle d’apprentissage profond. Les aberrations sphériques générées par des épaisseurs de verres non standards sont aussi prises en compte dans le modèle direct. Cela nous a permis d’imager toutes les heures pendant sept jours le développement d’un embryon de souris du stade unicellulaire au stade blastocyste. Ces capacités d’imagerie ont aussi été validées sur des organoïdes de foie. Ces timelapses apportent des informations quantitatives sur le développement et la viabilité des échantillons biologiques. Cette technologie apporte de nouvelles possibilités pour l’imagerie 3D en incubateur.Cependant, l’utilisation d’un grand champ de vue limite la couverture angulaire exploitable. Cela affecte grandement les reconstructions 3D, qui se retrouvent étirées axialement, dégradant cette résolution.Motivé par de récentes utilisations de réseaux de neurones convolutifs dans le domaine de la correction d’artefact de reconstructions, nous avons décidé de résoudre ce problème à l’aide d’une approche moderne par apprentissage profond. L’idée principale est de combiner deux réseaux, un qui retrouve la forme originale des structures intracellulaires, et un qui estime la forme extérieure de l’objet. Les réseaux sont entraînés sur données simulées uniquement. Ces données sont produites avec des objets 3D aléatoires mimant de possibles formes d’objets multicellulaires.La généralisation de cet ensemble de réseaux est testée avec succès sur l’embryon à différents stade de développement, mais peine à se généraliser aux organoïdes de foie