Noise2Void — Débruitage d'images microscopiques

Modèle de débruitage d'images microscopiques par auto-supervision (self-supervised denoising), entraîné avec la librairie N2V (TensorFlow/Keras), dans le cadre d'une thèse sur la drépanocytose.

Tâche

Débruitage d'images microscopiques de frottis sanguin colorées (MGG, Giemsa) avant analyse par les modèles de détection et classification.

Performance

Métrique	Valeur
PSNR	43.98 dB
SSIM	0.98

Fichiers

• weights_best.h5 : meilleurs poids du modèle
• weights_last.h5 : derniers poids de l'entraînement
• config.json : configuration complète de l'entraînement
• train_noise2void.ipynb : notebook d'entraînement

Utilisation

from n2v.models import N2V

model = N2V(config=None, name='n2v_model_test_1_data_gray', basedir='.')
model.keras_model.load_weights('weights_best.h5')

# Débruitage
denoised = model.predict(image, axes='YX')

Contexte

Ce modèle fait partie d'un pipeline de recherche sur la détection automatique de cellules falciformes (drépanocytose) à partir d'images de frottis sanguin. Il constitue l'étape de prétraitement du pipeline.

Auteur

Abdourahmane BALDE — @abdourahmane01