Thèse de Ruggeor Gurrini

Soutenance de thèse de Ruggeor Gurrini - laboratoire LASIRe

Résumé : 

Aujourd’hui, l’imagerie hyperspectrale (HSI) joue un rôle clé en chimie analytique. Le défi consiste ainsi à améliorer à la fois la résolution spatiale et spectrale ainsi que la vitesse d’acquisition. Dans ce contexte, la chimiométrie joue un rôle essentiel en tant qu’outil pertinent pour extraire des informations significatives à partir des données. Le MALDI et le LIBS peuvent être considérés comme les techniques les plus utilisées pour l’imagerie moléculaire et élémentaire respectivement. Bien que ces techniques partagent le même problème lié à la dimension des données, les différences dans le processus d’acquisition, le type de données, le stockage des données ainsi que les objectifs d’analyse expliquent la nécessité de recourir à des outils différents pour ces deux modalités.
Dans le cas du MALDI, en tant qu’analyse non ciblée, le clustering est rapidement devenu l’une des techniques les plus importantes étudiées en raison de sa capacité à regrouper des objets similaires, par exemple des régions similaires dans une image MALDI. Dans le cadre du diagnostic, les tissus sont généralement examinés selon une méthode de référence comme l'analyse histopathologique ou l'immunohistochimique. Cependant, ces analyses étant ciblées, elles ne sont pas adaptées si l’on cherche de nouveaux biomarqueurs. En effet, le MALDI peut fournir des informations biologiques complètes avec une bonne résolution spatiale. Avec cette masse d’informations, il est possible de segmenter l’image en régions ayant des informations biochimiques similaires. Une technique courante consiste à suivre l’annotation histologique pour regrouper les données à l’aide d’une technique de clustering hiérarchique interactive (bisecting k-means), ou même, en l’absence d’annotation histologique, la segmentation est principalement guidée par l’expérience de l’utilisateur, ce qui peut introduire un biais important.
Pour cette raison, l’un des principaux objectifs de cette recherche était de trouver une approche chimiométrique appropriée pour regrouper les données MALDI de manière moins biaisée, en utilisant une approche hiérarchique, en donnant toutes les branches à étudier et en évaluant leur division sans utiliser d’information préalable comme l’annotation histologique ou des présupposés.
Le LIBS est largement utilisé dans divers domaines. Des millions de spectres peuvent être mesurés chaque jour, ce qui représente un véritable défi pour l’analyse des ensembles de données. Dans le domaine de l’analyse minérale par exemple, un échantillon peut contenir plusieurs phases et différents minéraux peuvent avoir des compositions élémentaires très proches, rendant l’analyse des données particulièrement difficile. Même si la composition ne semble pas différente, elle peut apparaître différente visuellement. Cette divergence est importante à étudier car elle peut aider à mieux comprendre et explorer de tels échantillons.

Pour cette raison, l’approche de fusion de données HSI entre les imagerie LIBS et RGB a été explorée pour améliorer l’analyse LIBS d'échantillons complexes. De plus, la possibilité de fusionner des informations élémentaires et moléculaires dans un contexte biologique est en cours d’exploration. En tant que techniques les plus utilisées dans leurs domaines respectifs, la fusion entre le MALDI et le LIBS peut améliorer l’exploration des tissus biologiques, en permettant de corréler les informations élémentaires et moléculaires, avec la possibilité de comprendre si des modifications élémentaires exogènes peuvent entraîner des variations moléculaires liées à des maladies par exemple.
Comme il s’agit d’une étude préliminaire, nous avons commencé avec un échantillon sagittal de cerveau de rat pour évaluer la faisabilité de la technique. Étant donné l’état de l’art, le travail ne s’est pas tant concentré sur le développement de méthodes avancées entièrement nouvelles, mais plutôt sur un changement d’approche et une reformulation de la question de recherche.

Mots Clés : Imagerie hyperspectrale, Clustering, Chimiometrie, MALDI, LIBS, Apprentissage machine,