Inverse problems approaches in digital holographic microscopy for unsupervised and quantitative multispectral reconstructions of microbiological samples
Approches problèmes inverses en microscopie holographique pour la reconstruction non-supervisée et quantitative d'échantillons microbiologiques
Résumé
Holography is a method of choice to avoid the experimental focusing problem in sample analysis by replacing it by a numerical refocus. Thus, sample analysis can be completely automatized. The absorption of the objects and the phase shift they introduce can be reconstructed and a spectral information can be exploited to classify the objects. In this context, inverse problems approaches are a rigorous framework to perform the reconstructions. However, their quality can be limited by several aspects such as a lack of accuracy on the image formation model or a bad tuning of the hyperparameters needed for the reconstruction.To tackle these different issues we propose a method based on the insertion of calibration beads directly into the sample. Thus, the autofocusing problem or the accurate model calibration considering aberrations of the optical system are addressed using robust parametric inverse problems approaches. The tuning of the regularization hyperparameters is automated such that the objects of interest are quantitatively reconstructed. At last, the reconstructed spectral information is improved by accounting for chromatic aberrations of the optical system.The reconstructions are thus more reproducible in the field of view and from one setup to another. Machine learning algorithm can thus be used regardless of the setup.The method developed in this thesis, illustrated by Gram stained samples, is general and can be applied in other microscopy context and other non-conventional imaging modalities.
L’holographie en ligne est une méthode de choix pour s’affranchir de la problématique de la mise au point indispensable à l’analyse d’échantillons en microscopie en la remplaçant par une mise au point numérique, rendant cette dernière totalement automatisable.L’absorption des objets et le déphasage introduit par ces derniers peuvent être reconstruits et une information spectrale peut être exploitée pour classifier les objets. Dans ce contexte, les approches problèmes inverses offrent un cadre rigoureux. Cependant, la qualité des reconstructions peut être limitée par différents aspects tels qu’un manque de précision sur le modèle de formation d’image ou encore un mauvais réglage des hyperparamètres nécessaires à la reconstruction.Pour lever ces différents verrous, nous proposons une méthodologie basée sur l’insertion de billes d’étalonnage dans l’échantillon. Ainsi la mise au point et l’étalonnage des aberrations du modèle de formation d’image sont traités au moyen d’approches inverses paramétriques robustes. Le réglage d’hyperparamètres de régularisation est optimisé pour reconstruire quantitativement les objets d’intérêt. Enfin, la reconstruction d’informations multispectrales est améliorée par la prise en compte des aberrations chromatiques.Ceci permet une reconstruction plus reproductible dans le champ et d’un instrument à un autre, facilitant ensuite l’utilisation d’algorithmes de machine learning.Toute la méthodologie de reconstruction développée dans le cadre de cette thèse, illustrée dans le cas de l’analyse de Gram, est très générale et peut être appliquée dans d’autres contextes de microscopie ou à d’autres modalité d’imagerie non conventionnelle.
| Origine | Version validée par le jury (STAR) |
|---|