Segmentation et reconstruction 3D de lignées cellulaires par apprentissage profond à partir des images confocales

Ce travail présente un pipeline complet combinant imagerie confocale, segmentation par deep learning et reconstruction 3D réaliste de cellules afin d’améliorer la modélisation radiobiologique en thérapies anticancéreuses utilisant des radioisotopes. En s’appuyant sur nnU-Net et sur une base de données soigneusement prétraitée, la segmentation du noyau et du cytoplasme atteint des performances élevées (Dice > 0,91). Les reconstructions 3D révèlent une forte hétérogénéité morphologique entre lignées cellulaires, incompatible avec des modèles géométriques simplifiés. La base de données obtenue constitue un support clé pour des simulations Monte Carlo avancées (Geant4-DNA), permettant d’affiner l’estimation du RBE et d’améliorer les modèles biophysiques tels que NanOx.