La vie en super-résolution

En 1873, le physiciste allemand Ernst Abbe a déterminé qu’un microscope traditionnel a une limite de résolution inhérente qui découle des lois de la physique. La résolution d’un microscope étant définie comme la distance minimale entre deux sources de lumière ponctuelles à partir de laquelle on peut affirmer, en regardant dans le microscope, qu’il y a bien deux sources. Par exemple, dans la partie gauche de l’image ci-dessous, il est impossible de savoir combien de points le microscope a réellement imagés. Typiquement, un microscope traditionnel a une résolution de l’ordre de 400 nanomètres.

Afin de passer outre cette limite dite d’Abbe, de nombreux chercheurs ont développé des techniques dites de super-résolution qui permettent d’obtenir des images avec une résolution de l’ordre de quelques nanomètres ! L’image ci-dessous montre la différence entre l’image qu’un microscope traditionnel permet d’obtenir et l’image obtenue avec un microscope à super-résolution. Cependant, une des principales limitations de ces techniques de super-résolution réside dans le fait qu’il faut généralement prendre de nombreuses images d’un même objet, puis les analyser en utilisant des algorithmes complexes afin de produire une image de qualité. Ce problème rend difficile l’utilisation de tels microscopes en biologie ou en neurosciences, où les cellules étudiées se dégradent avec le temps et où les chercheurs sont souvent intéressés par la dynamique temporelle de leurs échantillons.

Image. (a) Image obtenue avec un microscope classique dit « limité par la diffraction ». (b) Le même objet vu par un microscope dit à super-résolution. Chaque source de lumière est maintenant distinctement visible (crédits : Elias Nehme, Lucien E. Weiss, Tomer Michaeli et Yoav Shechtman)

Un groupe de recherche du Technion, dirigé par Yoav Shechtman, a développé une nouvelle technique de traitement d’images utilisant des algorithmes de deep-learning afin d’obtenir les images en quelques secondes ou minutes, alors que la même tâche nécessitait auparavant des heures ou bien des jours d’analyse. Les algorithmes dits de deep-learning se basent approximativement sur la structure du cerveau humain, qui excelle notamment dans la reconnaissance de motifs. Ainsi, en apprenant par exemple à un ordinateur à reconnaitre la structure de certaines molécules, celui-ci peut reconstruire une image de ces molécules bien plus rapidement qu’un ordinateur non « entraîné ».

Ces nouveaux résultats ouvrent la voie à une utilisation plus systématique de microscopes à super-résolution dans des domaines scientifiques, tels que la biologie ou les neurosciences, qui pourraient grandement en bénéficier.

Sources :
• https://www.technion.ac.il/en/2018/07/life-in-super-resolution/
• https://www.osapublishing.org/optica/abstract.cfm?uri=optica-5-4-458#figanchor2

Rédacteur : Arnaud Courvoisier, doctorant à l’Institut Weizmann