En laboratoire, l’IA reconstruit des images haute résolution à partir de scans FLIM plus rapides

Un scan qui exige normalement de la patience pourrait livrer ses détails plus rapidement. En laboratoire, des chercheurs de UCLA ont utilisé un système d’intelligence artificielle appelé FLIMPSR pour reconstruire des images haute résolution de la durée de vie de fluorescence à partir de données capturées à une résolution spatiale cinq fois inférieure, sans modifier le matériel d’imagerie.

La FLIM — imagerie de la durée de vie de fluorescence — mesure combien de temps les molécules restent lumineuses après une impulsion de lumière. Cette durée fournit des informations biochimiques sur le métabolisme et la santé des tissus, sans colorants ni teintures. Le problème est que recueillir suffisamment de lumière pour mesurer cette durée en chaque point nécessite un balayage lent, en particulier sur de grandes surfaces comme les tissus tumoraux.

FLIMPSR utilise un réseau antagoniste génératif, un type de réseau neuronal entraîné à reconstruire les détails visuels manquants, pour récupérer les caractéristiques spatiales perdues lors de scans plus rapides. L’équipe de UCLA, dirigée par le professeur Aydogan Ozcan avec le groupe de la professeure Laura Marcu à UC Davis, a fait état d’une multiplication par 25 de la résolution effective lorsque le système reconstruisait des images à partir de pixels cinq fois plus grands que d’habitude. Un modèle de diffusion testé pour la même tâche a nécessité davantage de calculs et produit plus d’artefacts, tandis que FLIMPSR a fourni des résultats plus nets en une fraction du temps de traitement.

Les chercheurs ont testé la méthode sur des tissus tumoraux de la tête et du cou provenant de patients, en utilisant des scans haute résolution de trois patients qui avaient été exclus de l’entraînement. Les reconstructions suivaient de près les images originales et conservaient les structures fines des tissus. Le résultat a toutefois une limite claire : lorsque l’écart de résolution dépassait un facteur cinq, les approches fondées sur le GAN comme le modèle de diffusion ont commencé à se dégrader. Un entraînement supplémentaire a aidé le système à gérer des scans plus bruités, notamment dans des conditions associées à des équipements moins coûteux ou à une acquisition plus rapide.

Alors, concrètement ? Si la méthode fonctionne également avec la FLIM grand champ, elle pourrait permettre aux cliniciens d’obtenir plus rapidement des informations biochimiques sur les tissus, notamment pendant une intervention chirurgicale où les images doivent parfois être traitées en temps réel. Cette possibilité reste un objectif de recherche, et non un outil clinique déployé : les éléments disponibles proviennent pour l’instant de tests en laboratoire réalisés sur des scans tumoraux exclus de l’entraînement, et le groupe de UCLA doit maintenant tester l’approche dans différentes conditions d’imagerie.