Stage Master

Revue et test comparatif d'outils de deep learning appliqués à la biologie (avantage, différence, limite, contrainte….).
Réaliser des tests comparatifs des différents modèles deep learning actuellement utilisable de façon simple:
- cellpose (https://www.cellpose.org/)
- stardist (https://github.com/stardist/stardist)

Le projet se limitera à la détection des noyaux et cytoplasmes des cellules sur des bio-images acquises sur les instruments optiques de la plateforme de microscopie photonique.
Les modèles seront ceux entraînés par les développeurs des outils (voir les sites web de cellpose et stardist), ainsi que ceux entraînés par l'équipe de la plateforme souvent plus adaptés aux images de nos utilisateurs. Les données seront celles des utilisateurs avec aussi la possibilité d'acquérir des bio-images sur les microscopes de la plateforme.

Outils utilisés:
- ImageJ/Fiji (https://fiji.sc/)
- script python (Deep learning TensorFlow et Keras, GPU)
- ZeroCostDL4Mic Google Colab (https://github.com/HenriquesLab/ZeroCostDL4Mic/wiki)
- microscopes optiques

Aspects théoriques abordés:
- Acquisition optimales des bio-images en microscopie optiques
- Préparation des bio-images pour le deep learning (contrôle qualité, représentativité, annotations, etc )
- Entraînement d'un réseau d'apprentissage profond (Loss curves, epochs, ...)
- Contrôle Qualité des performances du modèle (UoI, Jaccard, recall, precision, accuracy, confusion matrix, etc.)
- Déploiement simplifié pour les utilisateurs (Jupyter/Google Colab Notebooks, extensions Fiji)