Laser Speckle Contrast Imaging is a well-established technique able to produce relative blood flow maps contactless and without using dyes. It relies on the statistical analysis of dynamic speckle images, observed when a coherent light is used to illuminate a medium that contains moving scatterers. The local speckle contrast depends on the movements of the scatterers. Multiple exposure speckle imaging (MESI) is a variant of the technique that takes advantage of multiple exposure data to retrieve more quantitative flow maps by accounting for the unwanted and superimposed contribution of static scatterers. Yet, in MESI, a model is adjusted pixelwise to the experimental data requiring long computation times and an a priori guesses on the flow regimes. In addition, MESI requires the acquisition at high frame rates of high-resolution images, leading to large data flows and long processing times. These issues are particularly critical when the metric of interest is based on the time course analysis of flow in occlusion/reperfusion or physiological stimulation experiments, where a movie of MESI data must be acquired at high frame rates over a minute. Consequently, the translation of MESI to clinical applications has been hindered so far, though many preclinical studies have already demonstrated its advantages over single exposure speckle imaging. In the past years, we have focused on instrumental and methodological approaches to overcome these bottlenecks. For real time acquisition and processing of multiple exposure speckle contrast, we have developed an FPGA-based architecture that allows processing of MESI contrast data in real time over a 15 x 15 cm2 field of view, for 6 exposure times, with a 60 µm spatial resolution, and for a minute or more. Then to extract the flow maps from these data, we bypass the fitting process and model hypotheses using Convolutional Neural Networks to analyze MESI data. The proposed CNN architecture has been carefully trained and validated using experimental data acquired microfluidics flow phantoms representative of microcirculation fabricated and calibrated at Laboratoire Charles Fabry. Then, the trained network was used to analyze MESI data acquired in vivo in mice brain. In addition to be model-bias-free, we have found that the CNN approach infers flow maps much faster than the classical pixelwise regression approach. These new approaches are promising for the clinical translation of MESI. Imagerie en champ large du flux sanguin au niveau de la microcirculation par contraste de speckle laser muiltiexposition: acquisitions en temps réel du contraste de speckle et traitement rapide à l'aide de réseaux neuronaux convolutifs. Frédéric Pain, Université Paris-Saclay, Institut d’Optique Graduate School, CNRS, Laboratoire Charles Fabry L'imagerie par contraste de speckle laser est une technique bien établie capable de produire des cartes de flux sanguin sans contact et sans utiliser de colorants. Elle repose sur l'analyse statistique d'images de speckle dynamiques, observées lorsqu'une lumière cohérente est utilisée pour éclairer un milieu contenant des diffuseurs en mouvement. Le contraste local du speckle est relié aux mouvements des diffuseurs. L'imagerie par speckle à exposition multiple (MESI) est une variante de cette technique qui exploite les images de contrastes obtenues pour des expositions multiples. Elle permet d’obtenir des cartes de flux plus quantitatives en tenant compte de la contribution indésirable et superposée des diffuseurs statiques. Cependant, en imagerie MESI, un modèle est ajusté pixel par pixel aux données expérimentales, ce qui nécessite de longs temps de calcul et des hypothèses fortes sur les régimes d'écoulement. De plus, l’imagerie MESI nécessite l'acquisition d'images haute résolution à des fréquences d'images élevées, ce qui entraîne des flux de données importants et des temps de traitement longs. Ces problèmes sont particulièrement critiques lorsque la métrique d'intérêt est basée sur l'analyse temporelle du flux dans des expériences d'occlusion/reperfusion ou de stimulation physiologique, où un film de données MESI doit être acquis à des fréquences d'images élevées pendant au moins une minute. Par conséquent, la transposition du MESI vers des applications cliniques a été freinée jusqu'à présent, bien que de nombreuses études précliniques aient déjà démontré ses avantages par rapport à l'imagerie par speckle à exposition unique. Au cours des dernières années, nous nous sommes concentrés sur des approches instrumentales et méthodologiques visant à surmonter ces obstacles. Pour l'acquisition et le traitement en temps réel du contraste speckle à expositions multiples, nous avons développé un système d'acquisition basé sur une architecture hardware FPGA qui permet le traitement des données de contraste MESI en temps réel sur un champ de vision de 15 x 15 cm² avec une résolution de 100 µm, pour 6 temps d'exposition et pendant une minute ou plus. Ensuite, pour extraire les cartes de flux à partir de ces données, nous contournons le processus d'ajustement et modélisons les hypothèses à l'aide de réseaux neuronaux convolutifs soigneusement entraînés pour analyser les données MESI. L'architecture CNN proposée a été entraînée et validée à l'aide de données expérimentales acquises sur des fantômes de flux microfluidiques fabriqués et calibrés au laboratoire Charles Fabry représentatifs de la physiologie de la microcirculation. Le réseau formé a ensuite été utilisé pour analyser les données MESI acquises in vivo dans le cerveau de souris. En plus d'être exempt de biais de modélisation, l'approche CNN permettait de déduire les cartes de flux beaucoup plus rapidement que l'approche classique de régression pixel par pixel. Ces nouvelles approches sont prometteuses pour la transposition clinique du MESI.
Accès Salle des séminaires FAST-LPTMS (Bât. 530, salle C.120, 1er)