Réseau de neurones convolutifs pour la segmentation de pieds astrocytaires observés en microscopie électronique 2d

Contexte et atouts du poste

Ce stage s’inscrit dans le cadre d’une collaboration entre deux équipes d’Inria, SAIRPICO et AIstroSight, qui développent des outils innovants visant à améliorer la compréhension de mécanismes biologiques complexes.

Les astrocytes sont des cellules gliales du système nerveux central participant à de nombreuses fonctions cérébrales, telles que la régulation de la neurotransmission, de la synaptogenèse, le maintien de l’homéostasie ionique et métabolique ou encore la participation au couplage neurovasculaire [1]. En particulier, les astrocytes médient les interactions entre les neurones et les vaisseaux sanguins via un compartiment spécialisé appelé pied astrocytaire. En plus de maintenir l'intégrité de la barrière hémato-encéphalique, les pieds astrocytaires régulent le débit sanguin local, l'absorption des nutriments ainsi que l'élimination des déchets du système cérébrovasculaire.

L’étude de la morphologie des astrocytes représente aujourd’hui un domaine de recherche en plein essor. En effet, plusieurs travaux suggèrent que des altérations de leur forme peuvent compromettre leur capacité à soutenir efficacement les fonctions cérébrales, contribuant ainsi à la progression de processus neurodégénératifs [2]. Comprendre la morphologie et la connectivité des astrocytes, ainsi que leur variabilité selon le contexte cérébral et pathologique, est donc essentiel pour approfondir notre compréhension des mécanismes impliqués dans les maladies neurologiques comme Alzheimer. Les récentes avancées en techniques d’imagerie, notamment en microscopie électronique (EM), permettent désormais d’observer les astrocytes à l’échelle nanométrique. Les données EM à haute résolution ont révélé que ces cellules présentent une morphologie extrêmement complexe, reliées entre elles par de très fines ramifications [2]. Cette complexité rend leur segmentation extrêmement difficile.

Alors que les méthodes de segmentation d’images ont montré leur efficacité pour des structures comme les neurones, dont la forme est généralement plus régulière, la segmentation des astrocytes reste un défi majeur. À notre connaissance, il n’existe à ce jour aucune méthode de segmentation spécifiquement optimisées pour les astrocytes, en grande partie en raison de leur morphologie complexe [3].

[1] VERKHRATSKY, Alexei et NEDERGAARD, Maiken. “Physiology of astroglia,”Physiological reviews, 2018, vol. 98, no 1, p. 239-389.

[2] BALDWIN, Katherine T., MURAI, Keith K., et KHAKH, Baljit S. “Astrocyte morphology,”Trends in cell biology, 2024, vol. 34, no 7, p. 547-565.

[3] SYED, Tabish A., YOUSSEF, Mohammed, SCHOBER, Alexandra L.,et al., “Beyond neurons: computer vision methods for analysis of morphologically complex astrocytes,” Frontiers in Computer Science, 2024, vol. 6, p. 1156204.

Mission confiée

L’objectif de ce stage est d’exploiter les réseaux de neurones convolutifs (CNNs) pour développer une méthode de segmentation des pieds astrocytaires à partir de données 2D de microscopie électronique à transmission (TEM). Un jeu de données annotées est mis à disposition pour l'entraînement et la validation du modèle [4]. L’un des défis consistera à généraliser cette méthode à un second jeu de données non annotées [5], acquis dans des conditions expérimentales différentes (microscope, protocole de fixation, résolution spatiale, contexte pathologique, âge des sujets), entrainant des variations de morphologie des astrocytes, ainsi que du rapport signal sur bruit des images.

À cette fin, le·la candidat·e devra :

1. réaliser un état de l’art sur les approches de segmentation des astrocytes, en particulier sur des données EM;
2. développer une méthode de segmentation basée sur un CNN, en s’appuyant sur l'étude bibliographique ;
3. évaluer expérimentalement l'algorithme sur des données EM annotées et le comparer quantitativement aux méthodes de segmentation existantes ;
4. étudier la capacité de généralisation de la méthode développée à d’autres jeux de données EM, présentant des caractéristiques différentes (rapport signal/bruit, résolution spatiale…).

[4] BRAVO-FERRER, Isabel, GAASDAL-BECH, Katrine, COLVIN, Chiara,et al., “Multiregional blood-brain barrier phenotyping identifies the prefrontal cortex as the most vulnerable region to ageing in mice,” Brain Communications, 2025, vol. 7, no 5, p. fcaf332.

[5] GILBERT, Alice, ELORZA-VIDAL, Xabier, RANCILLAC, Armelle,et al., “Megalencephalic leukoencephalopathy with subcortical cysts is a developmental disorder of the gliovascular unit,” Elife, 2021, vol. 10, p. e71379.

Compétences

5. Traitement et analyse d’images
6. Machine learning
7. Deep learning (CNNs)
8. Python

Avantages

9. Restauration subventionnée Transports publics remboursés partiellement Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.) Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria