Morphométrie automatisée par IA et traitement d'images
Pipeline PER BlueRev pour automatiser l'extraction de descripteurs géométriques à partir d'images de microscopie de nématodes et de copépodes, afin d'analyser l'impact d'activités comme le dragage, la pêche et le réchauffement océanique sur les sols marins.
Stage en équipe multiculturelle (PER BlueRev). Mon périmètre : jeu de données annoté, images synthétiques et masques de segmentation UNet ; l'extraction des descripteurs géométriques a été réalisée par l'équipe.
- Python
- PyTorch
- PyTorch Lightning
- U-Net
- TensorBoard
- OpenCV/PIL
- Synthetic data
Objectif
Automatiser l'analyse morphométrique de micro-organismes marins (nématodes et copépodes) pour extraire à l'échelle des descripteurs géométriques et étudier l'effet de pressions humaines et climatiques—dragage, pêche, réchauffement océanique—sur les sols marins. Des masques binaires de l'organisme (sans débris) alimentent ce pipeline aval.
État initial
Les clichés de microscopie mélangent souvent l'organisme cible et des débris accrochés. Les premiers couples image–masque rendaient cette ambiguïté explicite : le modèle doit apprendre une silhouette propre pour ne pas polluer les descripteurs géométriques.
Jeu de données et données synthétiques
Constitution d'un jeu annoté d'images de microscopie, de masques binaires et d'images de test (~100 paires réelles). Vérité terrain : blanc = organisme, noir = fond et débris. Pour élargir l'entraînement, composition d'environ 300 scènes synthétiques en extrayant séparément micro-organismes et débris, puis en les recombinant aléatoirement sur des fonds de microscopie vides.
Pipeline de segmentation
UNet personnalisé sous PyTorch Lightning pour la segmentation binaire : perte BCEWithLogits, métriques Accuracy / F1 / Jaccard, EarlyStopping, meilleurs checkpoints, TensorBoard et ordonnancement du learning rate. Comparaison de plusieurs configurations (RGB vs niveaux de gris, schedulers) pour des masques qui conservent l'organisme et excluent les débris—entrées de l'extraction de descripteurs géométriques.
Résultats
Masques d'organisme robustes aux débris, adaptés à la morphométrie automatisée. Des comparaisons de checkpoints sur images de test confirment que les meilleurs runs isolent le micro-organisme et excluent les déchets du masque—débloquant le pipeline IA / traitement d'images de l'équipe.
