Luận văn phát triển thuật toán phân lập tế bào - Florial Jean Baptiste

Luận văn thạc sĩ tin học về phát triển thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang thông lượng cao. Nghiên cứu ứng dụng xử lý ảnh sinh học.

• Tác giả: Florial Jean Baptiste
• Người hướng dẫn: Post Doc 4 ZMBH, Dr. Constantinou Iordania
• Trường học: Université Nationale du Vietnam, Hanoi Institut de la Francophonie pour l'Innovation
• Chuyên ngành: Systèmes Intelligents et Multimédia
• Đề tài: Thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang thông lượng cao
• Loại tài liệu: Luận văn thạc sĩ ngành Công nghệ Thông tin
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Tóm tắt

I. Cách thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang hoạt động

Thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang là một phương pháp tiên tiến trong sinh học phân tử, cho phép xác định và tách chọn lọc các tế bào dựa trên tín hiệu huỳnh quang đặc hiệu. Hệ thống này kết hợp phần cứng (kính hiển vi huỳnh quang, laser điều khiển chính xác) và phần mềm (thuật toán xử lý ảnh, phân đoạn tế bào) để tự động hóa quy trình phân lập. Trong nghiên cứu của Florial Jean Baptiste (2018) tại ZMBH – Đại học Heidelberg, thuật toán được tích hợp dưới dạng plugin cho nền tảng Micro-Manager, cho phép điều khiển đồng bộ thiết bị và xử lý ảnh theo thời gian thực. Quá trình bắt đầu bằng việc thu nhận hình ảnh huỳnh quang đa kênh, sau đó áp dụng các thuật toán phân đoạn tế bào để xác định vị trí và ranh giới từng tế bào. Dựa trên đặc điểm phát huỳnh quang (ví dụ: protein huỳnh quang màu xanh lá – GFP), hệ thống ra lệnh cho laser tiêu diệt hoặc cô lập tế bào mục tiêu. Kính hiển vi huỳnh quang thông lượng cao đóng vai trò then chốt trong việc thu thập dữ liệu hình ảnh chất lượng cao, làm nền tảng cho phân tích chính xác. Độ chính xác của phân lập tế bào chọn lọc phụ thuộc vào khả năng phân biệt tín hiệu huỳnh quang thật và nhiễu nền – thách thức lớn mà các thuật toán hiện đại đang giải quyết.

1.1. Vai trò của kính hiển vi huỳnh quang thông lượng cao

Kính hiển vi huỳnh quang thông lượng cao cho phép thu nhận hàng trăm đến hàng nghìn hình ảnh tế bào trong thời gian ngắn, tạo điều kiện cho phân tích thống kê và tự động hóa. Thiết bị này sử dụng nhiều kênh huỳnh quang (FITC, TRITC, DAPI...) để phát hiện đồng thời nhiều dấu ấn sinh học. Trong nghiên cứu gốc, hệ thống này được kết nối với phần mềm Micro-Manager để đồng bộ hóa việc chụp ảnh và điều khiển thiết bị ngoại vi như laser.

1.2. Cơ chế phân đoạn và nhận diện tế bào huỳnh quang

Phân đoạn tế bào là bước then chốt trong thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang. Các phương pháp như tìm cực đại pixel (pixel maxima), ngưỡng thích nghi (adaptive thresholding) và biến đổi hình thái học (morphological operations) được áp dụng để tách tế bào khỏi nền. Hệ thống sau đó phân loại tế bào theo cường độ và màu sắc huỳnh quang, làm cơ sở để ra quyết định phân lập.

II. Thách thức khi triển khai thuật toán phân lập tế bào huỳnh quang

Việc triển khai thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang gặp nhiều rào cản kỹ thuật và sinh học. Một trong những thách thức lớn nhất là nhiễu nền (background noise) trong hình ảnh huỳnh quang, làm giảm độ chính xác của phân đoạn. Ngoài ra, sự chồng lấn giữa các tế bào (cell clumping) khiến thuật toán khó xác định ranh giới chính xác. Theo luận văn của Florial Jean Baptiste (2018), ngay cả khi sử dụng phần mềm Micro-Manager, việc đồng bộ hóa giữa phần cứng (laser UGA-42 Kirefly) và phần mềm xử lý ảnh vẫn đòi hỏi hiệu chỉnh tinh vi. Một vấn đề khác là độ đặc hiệu của dấu ấn huỳnh quang: nếu protein huỳnh quang biểu hiện không đồng đều giữa các tế bào, hệ thống có thể bỏ sót hoặc tiêu diệt nhầm. Hơn nữa, tốc độ xử lý ảnh cần đủ nhanh để đáp ứng nhu cầu thông lượng cao, đặc biệt khi làm việc với hàng nghìn tế bào. Các thuật toán phân loại tế bào phải cân bằng giữa độ chính xác và hiệu suất tính toán. Cuối cùng, việc tích hợp toàn bộ hệ thống vào môi trường phòng thí nghiệm thực tế đòi hỏi giao diện người dùng thân thiện và khả năng tương thích với nhiều dòng kính hiển vi – điều không phải giải pháp nào cũng đáp ứng được.

2.1. Vấn đề nhiễu nền và chồng lấn tế bào

Nhiễu nền trong hình ảnh huỳnh quang thường đến từ autofluorescence của môi trường nuôi cấy hoặc vật liệu kính. Điều này làm phân đoạn tế bào trở nên kém chính xác. Tế bào chồng lấn (clumped cells) cũng là trở ngại lớn, vì thuật toán có thể nhận diện cụm tế bào như một đối tượng đơn. Các phương pháp xử lý hậu phân đoạn như watershed transform được sử dụng để tách các đối tượng dính liền.

2.2. Yêu cầu đồng bộ hóa phần cứng và phần mềm

Hệ thống phân lập tế bào chọn lọc đòi hỏi sự phối hợp nhịp nhàng giữa kính hiển vi, camera, laser và máy tính điều khiển. Trong nghiên cứu tại ZMBH, việc tích hợp laser UGA-42 Kirefly với Micro-Manager thông qua plugin tùy chỉnh là bước then chốt. Bất kỳ độ trễ nào trong giao tiếp thiết bị đều có thể dẫn đến sai lệch vị trí tiêu diệt tế bào.

III. Phương pháp tối ưu hóa thuật toán phân lập tế bào huỳnh quang

Để nâng cao hiệu quả thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang, nhiều phương pháp tối ưu đã được áp dụng. Đầu tiên, cải tiến phân đoạn tế bào bằng cách kết hợp nhiều kỹ thuật xử lý ảnh: ngưỡng Otsu, lọc Gaussian để giảm nhiễu, và biến đổi hình thái học để làm mịn biên. Thứ hai, tích hợp phân loại tế bào dựa trên học máy (machine learning-based classification) giúp hệ thống phân biệt tế bào mục tiêu với tế bào không mong muốn dựa trên đặc trưng hình thái và huỳnh quang. Trong nghiên cứu của Florial Jean Baptiste, nhóm tác giả đã phát triển một plugin Micro-Manager cho phép người dùng chọn ngưỡng huỳnh quang và kích thước tế bào làm tiêu chí phân lập. Thứ ba, tối ưu hiệu suất tính toán bằng cách song song hóa (parallelization) các tác vụ xử lý ảnh – đặc biệt quan trọng trong kính hiển vi huỳnh quang thông lượng cao. Cuối cùng, hiệu chỉnh hệ thống bằng mẫu chuẩn (control samples) giúp giảm sai số do thiết bị. Các thuật toán được viết bằng C++ để đảm bảo tốc độ, đồng thời giao diện đồ họa giúp nhà nghiên cứu dễ dàng điều chỉnh tham số mà không cần can thiệp mã nguồn.

3.1. Cải tiến phân đoạn tế bào bằng xử lý ảnh đa tầng

Phân đoạn tế bào được nâng cao nhờ kết hợp lọc tiền xử lý (Gaussian, median), phân ngưỡng thích nghi và phân tích hình thái. Phương pháp tìm pixel maxima giúp xác định trung tâm tế bào, làm cơ sở cho việc vẽ biên chính xác. Các thuật toán này được cài đặt trong môi trường C++ để đảm bảo hiệu suất cao.

3.2. Tích hợp phân loại tế bào thông minh

Phân loại tế bào không chỉ dựa trên cường độ huỳnh quang mà còn dựa trên hình dạng, diện tích và độ tròn. Việc áp dụng các mô hình đơn giản như SVM hoặc decision tree giúp hệ thống ra quyết định nhanh chóng. Trong nghiên cứu gốc, phân loại được thực hiện trước khi kích hoạt laser tiêu diệt.

IV. Ứng dụng thực tiễn của thuật toán phân lập tế bào huỳnh quang

Thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang có nhiều ứng dụng giá trị trong nghiên cứu sinh học và y học. Một trong những ứng dụng nổi bật là tiêu diệt tế bào chọn lọc trong quần thể nấm men (fission yeast), như được thực hiện tại ZMBH. Hệ thống cho phép loại bỏ các tế bào biểu hiện protein huỳnh quang bất thường, hỗ trợ nghiên cứu chức năng gen. Ngoài ra, phương pháp này còn được dùng trong sàng lọc dược phẩm: các tế bào phản ứng với hợp chất thử nghiệm (thể hiện qua thay đổi huỳnh quang) có thể được cô lập để phân tích sâu hơn. Trong nghiên cứu ung thư, phân lập tế bào gốc ung thư dựa trên dấu ấn huỳnh quang giúp hiểu rõ cơ chế kháng thuốc. Hệ thống dựa trên Micro-Manager plugin còn mở ra khả năng chia sẻ mã nguồn mở giữa các phòng thí nghiệm, thúc đẩy tái lập và cải tiến. Theo Florial Jean Baptiste (2018), kết quả thử nghiệm ban đầu cho thấy độ chính xác phân lập đạt trên 90% khi điều kiện hình ảnh lý tưởng, mở đường cho ứng dụng lâm sàng trong tương lai.

4.1. Nghiên cứu chức năng gen qua tiêu diệt tế bào chọn lọc

Trong sinh học phân tử, tiêu diệt tế bào chọn lọc cho phép quan sát hệ quả của việc loại bỏ một nhóm tế bào cụ thể. Ví dụ, khi tế bào biểu hiện GFP bất thường bị tiêu diệt, các tế bào còn lại có thể cho thấy phản ứng bù trừ – thông tin quý giá để suy luận chức năng gen.

4.2. Sàng lọc dược phẩm và phân lập tế bào gốc ung thư

Phân lập tế bào chọn lọc dựa trên huỳnh quang được dùng để tách tế bào phản ứng với thuốc, hoặc tế bào gốc ung thư biểu hiện CD44+/CD24-. Điều này hỗ trợ phát triển liệu pháp nhắm trúng đích và cá thể hóa điều trị. Hệ thống tự động giúp tăng tốc độ sàng lọc hàng nghìn hợp chất.

V. Tương lai của thuật toán phân lập tế bào huỳnh quang

Tương lai của thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang gắn liền với sự phát triển của trí tuệ nhân tạo và phần cứng hình ảnh. Các mô hình học sâu (deep learning) như U-Net đang được tích hợp để cải thiện phân đoạn tế bào trong điều kiện nhiễu cao. Đồng thời, sự xuất hiện của cảm biến hình ảnh tốc độ cao và laser chính xác hơn sẽ nâng cao khả năng phân lập ở quy mô lớn. Một xu hướng quan trọng là tích hợp hệ thống này với microfluidics – cho phép xử lý tế bào trong dòng chảy liên tục, kết hợp phân tích và phân lập trong một chip. Ngoài ra, việc chuẩn hóa giao diện phần mềm (như thông qua Micro-Manager) sẽ thúc đẩy chia sẻ và tái sử dụng giữa các phòng thí nghiệm toàn cầu. Theo hướng nghiên cứu của Florial Jean Baptiste, việc mở rộng hệ thống để xử lý đa kênh huỳnh quang đồng thời và tích hợp dữ liệu đa mô thức (hình ảnh + RNA-seq) sẽ là bước tiến lớn. Cuối cùng, phân lập tế bào chọn lọc có tiềm năng ứng dụng trong y học tái tạo và liệu pháp tế bào, nơi yêu cầu độ tinh khiết và tính chọn lọc cực cao.

5.1. Tích hợp học sâu và xử lý ảnh thời gian thực

Mô hình U-Net và các biến thể giúp phân đoạn tế bào chính xác ngay cả khi tế bào chồng lấn hoặc nhiễu nền cao. Khi kết hợp với GPU, hệ thống có thể xử lý hàng trăm khung hình mỗi giây – đáp ứng nhu cầu thông lượng cao trong sàng lọc quy mô lớn.

5.2. Kết hợp với công nghệ vi lưu microfluidics

Việc tích hợp thuật toán phân lập tế bào bằng kính hiển vi huỳnh quang với chip vi lưu cho phép tự động hóa toàn bộ quy trình: từ nuôi cấy, nhuộm, chụp ảnh đến phân lập. Điều này giảm thiểu thao tác thủ công và tăng độ lặp lại của thí nghiệm.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT DE LA FRANCOPHONIE POUR L’INNOVATION (Renommé de l'Institut Francophone International, IF1) FLORIAL JEAN BAPTISTE DEVELOPPEMENT D'ALGORITHMES POUR L'ISOLEMENT CELLULAIRE BASE SUR LA MICROSCOPIE A FLUORESCENCE A HAUT DEBIT PHAT TRIEN THUAT TOAN CHO PHAN LAP TE BAO DUA TREN KINH HIẾN VI HUYNH QUANG THONG LUONG CAO Spécialité : Systémes Intelligents et Multimédia Code : Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: (Post Doc 4 ZMBH, Dr. Constantinou Iordania) | gine my concent for Se an B a p ti s t e be Cborak d WS ma st er th esis defen ĐỨC, 21/06/18 HANOI — 2018 ATTESTATION SUR T,"HONNEDR Patteste sur Vhonneur que ce mémoire a été réalisé par moi-méme et que les données ct Ics résultats qui y sont présentés sont exacts ct n’ont jamais été publics ailleus. La source des informations cilées dans ce mémoire a élé bien précisée LOECAM DOAN Tôi cam đoan đây là oông trình nghiên cứu của riêng tôi Các số liêu, kết quả nêu trong Layận vẫn là trung thực và chưa từng được ai công, bổ trong bắt kỳ công trình nào khác, Các thông tin trích din trong Luận văn đã được chi rõ nguồn mốc Signature de 1’étdiant FLORTAT. JEAN BAPTISTE Préface : Ce mémoire de maitrise a été rédigé dans le cadre du stage de fin d’ étude réalisé au: Centre de biologie moléculaire de "Université de Ileidelbere, (ZMBII) dans la période allant de DECEMBRI 2017 - a JUIN 2018, sous 1a supervision du Prof.

Ce tavail de recherche sera utile aux cherchews s”intẻressant aux des domaines suivants : - Développements de plugin pour Micro-manger. - Tnlerface graphique pour Contréler un microscope conventiomclle fluoresconte ei ur systéme de Taser TV, + Destruction de levure fluorescence a I’aide d'un systéme de laser. - Comptage et segmentation cellulaire. ~ Acquisition d'image fluorescente a partir de plusicurs canaux.

En ce moment plusieurs appraches existent et permettent chacune ¢’ apporter un élément de solution aux domaines précités. In effet, notre approche est différente du fait que nous abordons une automatisation de ces concepts, nous faisons la combinaison de ces recherches en une seule application pour montrer une meilleure et autre utilisation de V'acquisition @’ image et de la segmentation cellulaire pour la destruction de cellule fluorescente. Dans oc travail, nous ne comptons pas rester 4 la segmentation, nous comptons ainsi montrer Pulililé de la classification cellulaire dans Ja destruction de cellule fluorescente. La destruction des cellules se fai en se basanl, sur sa couleur d’émission (exemple : VIP verte fluorescence protéine) Nous préscitons les commandes utilisées pour eontrdler Te microscope, le laser, les algorithmes oréer ef coux qui existent déja que nous avons modifié, comment nous ciblons les cellules ef choisissons lesquelles détruire avec le laser.

Ce document est écrit enti¢rement en frangais. Cependant, il faut souligner que plusicurs termes anglais seront utilisés car d°une part nolre travail de recherche a été mené dans un enviromement anglophone y vompris les documents qui tious ont été fournis ot @autre part, la traduction frangaise de ces dernicrs enléve Voriginalité da terme en question. Le sujel de ce slage a été acquis dans le cadre d’un projet global, le terme qui définil en toute simplicilé Pobjeoltif de ce stage est « TL. développement dalgorithmes pour Hisolation cellulaire au laser bas¢ sur Ja microscopie a fluorescence a haut débit.

» Au moment de la rédaction de ce rapport, les exigenees par rapport au plan de stage ne sont pas au niveau désireux ct Ie avail continu, nous complons avoir des résullats qui pourront étre publiés dépondarmment des résultats des cxpériences qui seront effectuées en environnement réel du Laboratoire. Chapitre5 ; Conception at réalisationde Ï*applieation.2 -Analyse des besains 5.2- Exigences non fonetionnelles.1- Areltcotare de Ia solution 5.2- Diagramme de package 5.3- Organigrarme représentant le processus isolation des levures.4- Diagramune de classe.5- Acquisition des Images.6- Classification Pimage cellulaire 5.3 Présentations du GUI et ces fonctionnalités prineipales:. ST Chapitre 6: Expérimentation, Résultats 61 6. REMERCIEMENTS Chapitre 1- Structures réalisant le stage Ll- | Teinstitution Paccusil 12- _ Lenvironnement de travail.

13 1⁄4- — Matếriels 13, 15- Objectifde stage L6- Technique de travail Chapitre 2.1- Micro-manger cl image] 2.2- Ligtat de Tart [I] osscsussscsssessssestsssetasienaisesines Chapitre 3- Segmentation d'image cellulaire. Bl- Coll ++: Segmentation cellulaire pour C ++ [17] 3. Algorithme de recherche de Pixel maxima (mage! Méthodes) 34 Chapitre 4: Solution, Conirainies el Tochrique ulilisés. 36 AL1- SOMHON i eeceseceseessesteseessesseessanceessanariecsanansesasonsee 36 42- Les Contrainte notre solution.

38 43- Methodes / Techniques utilisés.1- Protocol pour Ja Culture de levure de fission. 44 ‘Table des figures Figure 1: Structure hicrarchiques non détailléc des institutions {4}.’srvirormement de travail Figure 3: Maléricls de travail Figure 4: Le cycle itératif {2} Figure § : interface Graphique de Micro-manager et ImageJ [1] Figure 6: Schéma fonctionnel de l'architecture logicielle de Mioro-manager [1] Figure 7: LICS Site Géneération plugin [11. Figure 8 ; Interface eraphique du projecteur plugin [1]. Figure 9 : Interface praphique dụ MÙA [1].---iscces Tigue 1Ô: Biapes de l'algoritinne MPCS [17] Tigure 11 : Exemple duHlisatilon de Cel%~t [17] Figure 12 - Performamees đe sopanentalin đe CcllX +— Figure 13 - Regroupemenl K-moyens (K- mneans clustering) processus [14] Figure 14: Résumé de lapproche proposée [13] Figure 15: Résultats de la segmentation ä Taide de lalgorithme k-means [13] Figure 16: Application de la méthode du trou de remplissage.

Figure 17 : Imagej/¥iji "ind Maxima [18]. Figure 18 : Interprétation graphique et structurelle de la Solution. Figure 19: Schéma d'un microscope a fluorescence [9]. Figure 20: Représentalion dune Levare {1} Figure 21 : émission de différents fhnorachromes {6}.

Figure 22: Architecture physique of logicielle de notresolul lon 5}. Figure 23 : Diagramme de packages « org.micromanager rapp » Figure 24: organigramme de notre fonctionnalité principale (Run Sequence) Figure 25: Diagramme UML des classes impliquées dans tous les paquets. Figure 26 : Images capturées sous différents canaux Figure 27 : Configuration des canaux (en haut), et d’images acquisition (en bas) Figure 28 ; fonction Mathématique du floue gaussienne {8} 0. Figure 29 ; Image oaphurer sous diẾfẻrents canatox.

Figure 30: Tage caplurer sous différonls canaux. Figure 31 : Parametre des fonetions pour déplacer le spot du laser. Figure 32: GUI1, Le contenu du menu de configuration Figure 33 : GUI “Point and Shoot” Figure 34: GUI GUI “Séquence Acquisition “ Figure 35:Segmentation avec Find Maxima Figure 36: Segmentation non précise Figure 37: Résultat de lisolation Figure 38: Résultat de l'isolation Abstract Funetional analysis of biological samples for diagnostic or research purposes often. requites the isolation of small cell populations from heterogencous mixtures.

In this porspeclive, this work is part of a project that aims at scleclive high Jlow ccllular isolation based on printed micrafluidics and Muorescenee microscopy. Ou une side a team warks for the development of microfluidic devices for imaging, we proceed to the development and automation of a fluorescence microscopy facility capable of selective cellular isolation based on UV lasers. We see the use of a conventional fluorescence microscope equipped with two lasers that can be used for cell isolation. When we say isolation we are talking about the elimination of selective cells, traditionally we proceed to the devclopment of algorithms that will allow us to contro] and interconnect UV laser devices (UGA-42 Firefly) and the fluorescence microscope using a computer, then the exploitation of algorithms of segmentation of cclls imagined to make the automatic selection of cells isolated.

All this to be integrated as software to the micro-manager platform to be available to the researcher for system validation in the context of molecular biology Key words: Micro-Manager, Plugin, Microscope, RappOpto UGA-42-Firefly, cell segmentation. Image Acquisition, Cell Killing. Abstract Funetional analysis of biological samples for diagnostic or research purposes often. requites the isolation of small cell populations from heterogencous mixtures.

In this porspeclive, this work is part of a project that aims at scleclive high Jlow ccllular isolation based on printed micrafluidics and Muorescenee microscopy. Ou une side a team warks for the development of microfluidic devices for imaging, we proceed to the development and automation of a fluorescence microscopy facility capable of selective cellular isolation based on UV lasers. We see the use of a conventional fluorescence microscope equipped with two lasers that can be used for cell isolation. When we say isolation we are talking about the elimination of selective cells, traditionally we proceed to the devclopment of algorithms that will allow us to contro] and interconnect UV laser devices (UGA-42 Firefly) and the fluorescence microscope using a computer, then the exploitation of algorithms of segmentation of cclls imagined to make the automatic selection of cells isolated.

All this to be integrated as software to the micro-manager platform to be available to the researcher for system validation in the context of molecular biology Key words: Micro-Manager, Plugin, Microscope, RappOpto UGA-42-Firefly, cell segmentation. Image Acquisition, Cell Killing. Chapitre5 ; Conception at réalisationde Ï*applieation.2 -Analyse des besains 5.2- Exigences non fonetionnelles.1- Areltcotare de Ia solution 5.2- Diagramme de package 5.3- Organigrarme représentant le processus isolation des levures.4- Diagramune de classe.5- Acquisition des Images.6- Classification Pimage cellulaire 5.3 Présentations du GUI et ces fonctionnalités prineipales:. ST Chapitre 6: Expérimentation, Résultats 61 6.

Chapitre5 ; Conception at réalisationde Ï*applieation.2 -Analyse des besains 5.2- Exigences non fonetionnelles.1- Areltcotare de Ia solution 5.2- Diagramme de package 5.3- Organigrarme représentant le processus isolation des levures.4- Diagramune de classe.5- Acquisition des Images.6- Classification Pimage cellulaire 5.3 Présentations du GUI et ces fonctionnalités prineipales:. ST Chapitre 6: Expérimentation, Résultats 61 6. Résumé L'analyse fonctionnelle des échantillons biologiques des fins de diagnostic ou de recherche nécessite souvent lisolement de petites populations de cellules issues de mélanges hétérogénes. Dans cette optique, ce travail se situe dans le cadre d’un projet qui vise I’ isolation cellulaire sélective haut débit basée sur la microfluidique imprimée et la microscopie 4 fluorescence.

10’un cété, une équipe travaille sur le développement de dispositifs microfluidiques pour Vimagerie. De Ƒautre été, nous procedons au développement ct Vautomatisation d'une installation de ticroscopic 4 Cuorescence capable de Visclement des cellulaires sélectifs bi sur les lasers UV. Nous veyons Putilisation d’un microscope 4 fluarescence conventionnelle équipée de deux lasers qui peuvent étre utilisés pour Pisolement cellulaire. Quand nous parlons d’isolement, nous faisons référence a I’élimination de cellule sélective.

Traditionnellement, nous procédons au développement d'algorithmes qui vont nous permettre de contréler et interconnecter les dispositifs lasers UV (UGA-42 Kirefly) et le microscope fluorescence 4 Vaide d’un ordinatew. Ensuite, 4 V’exploitation d’algorithmes de segmentation des ceflules immagée pour faire la 36h Lion automatique des cllulos aisolé Toul ccei pour aire intégré sous forme de plugin a la plateforme micro-mumager pour atre disponible au chercheur pour la validation du systéme dans le contexte de la biologie moléculaire. ‘Mots clés ; Micro-Manager, Plugin, Microscope, RappOpto UGA-42-l'refly, segmentation cellulaire, Acquisition d’ image, isolation cellulaire. ‘Table des figures Figure 1: Structure hicrarchiques non détailléc des institutions {4}.’srvirormement de travail Figure 3: Maléricls de travail Figure 4: Le cycle itératif {2} Figure § : interface Graphique de Micro-manager et ImageJ [1] Figure 6: Schéma fonctionnel de l'architecture logicielle de Mioro-manager [1] Figure 7: LICS Site Géneération plugin [11.

Figure 8 ; Interface eraphique du projecteur plugin [1]. Figure 9 : Interface praphique dụ MÙA [1].---iscces Tigue 1Ô: Biapes de l'algoritinne MPCS [17] Tigure 11 : Exemple duHlisatilon de Cel%~t [17] Figure 12 - Performamees đe sopanentalin đe CcllX +— Figure 13 - Regroupemenl K-moyens (K- mneans clustering) processus [14] Figure 14: Résumé de lapproche proposée [13] Figure 15: Résultats de la segmentation ä Taide de lalgorithme k-means [13] Figure 16: Application de la méthode du trou de remplissage. Figure 17 : Imagej/¥iji "ind Maxima [18]. Figure 18 : Interprétation graphique et structurelle de la Solution.

Figure 19: Schéma d'un microscope a fluorescence [9]. Figure 20: Représentalion dune Levare {1} Figure 21 : émission de différents fhnorachromes {6}. Figure 22: Architecture physique of logicielle de notresolul lon 5}. Figure 23 : Diagramme de packages « org.