Automatic identification of diatoms using deep learning to improve ecological diagnosis of aquatic environments

Identification automatique des diatomées par apprentissage profond pour l'amélioration du diagnostic écologique des milieux aquatiques Les diatomées sont un type d'algues unicellulaires que l'on trouve dans tous les environnements aquatiques. Ces organismes sont très sensibles aux changements de la qualité de l'eau et des conditions de l'habitat. Cette caractéristique les rend utiles pour la bioindication : En France, l'Indice Biologique Diatomées (IBD) est utilisé en routine depuis 2000 pour évaluer la qualité écologique des cours d'eau, dans le cadre de la Directive-Cadre Européenne sur l'Eau. Traditionnellement, l'évaluation de la qualité écologique de l'eau et de la santé des écosystèmes à travers les diatomées est un processus minutieux et chronophage. A partir d'échantillons naturels, des experts qualifiés en taxonomie des diatomées identifient les individus au niveau de l'espèce à partir d'observation au microscope optique. Cependant, ce processus d'identification manuelle n'est pas exempt de défis. Des facteurs tels que la qualité de l'équipement de microscopie, le niveau d'expertise des experts et la subjectivité inhérente au jugement humain contribuent tous à une variabilité dans les résultats de l'identification. Dans ce contexte, ce travail a pour but de réduire cette variabilité par l'automatisation du processus d'identification des diatomées. Le premier objectif est le développement d'un outil pour détecter les diatomées dans les images de microscope, en les distinguant parmi une myriade d'autres objets présents. Le deuxième objectif est de classer les diatomées détectées jusqu'à l'espèce, avec un certain niveau de confiance. La principale contribution de cette recherche réside dans la création d'un pipeline complet pour automatiser l'identification des diatomées, basé sur des méthodes d'apprentissage profond. L'apprentissage profond a démontré des capacités remarquables dans les tâches nécessitant une reconnaissance et une classification de motifs complexes, ce qui est parfaitement adapté pour l'automatisation du processus nuancé et complexe de l'identification des diatomées. En exploitant la puissance des réseaux neuronaux profonds, ce pipeline rationalise et accélère le processus d'identification, offrant une alternative plus efficace aux méthodes de classification manuelle. Cependant, l'adoption de l'apprentissage profond n'est pas sans ses propres défis. Une exigence fondamentale est l'accès à des ensembles de données substantiels et correctement annotés pour entrainer efficacement ces réseaux neuronaux. Pour surmonter ce défi, une méthode de génération de jeux de données synthétiques a été proposée. En élaborant méticuleusement des données artificielles tout en préservant les caractéristiques des images réelles de diatomées, cette méthode permet de compléter les données d'entraînement disponibles et améliore la capacité du réseau neuronal à généraliser son apprentissage à de nouveaux échantillons de diatomées. Un autre défi découle des similitudes entre les différentes espèces de diatomées (similitudes inter-spécifiques) et des variations au sein d'une seule espèce (variabilité intra-spécifique) au cours du processus de classification automatisée. Cela pose un défi considérable à la classification précise des diatomées. Ce travail explore des stratégies et des techniques novatrices qui tiennent compte de ces complexités, améliorant ainsi la capacité du système à discerner de subtiles différences et à effectuer des classifications précises. Enfin, une nouvelle méthode pour quantifier l'incertitude dans les classifieurs profonds est également développée, ce qui contribue à améliorer la fiabilité du processus de classification, en particulier en permettant de détecter des images sortant de l'ordinaire. Pour démontrer la praticabilité de l'outil développé, son application en biomonitoring est présentée en calculant l'IBD sur un grand nombre d'échantillons représentatifs du bassin Rhin-Meuse.