Titre de l'écran-titre (visionné le 24 mai 2023) / Comme dans de nombreuses autres démocraties, il existe au Canada un droit d'accès à l'information judiciaire. Il s'agit d'un élément fondamental de tout processus judiciaire. Ce droit a deux objectifs principaux : offrir une fenêtre sur le système de justice et permettre aux gens d'acquérir une meilleure compréhension du processus judiciaire. Parmi les documents essentiels au système de justice figure le plumitif : un document qui détaille le déroulement de chaque dossier ouverts devant les tribunaux. Malgré tout, il a été démontré que le plumitif est un document difficile à comprendre, tant pour les citoyens que les praticiens. Dans cette thèse, nous concentrons nos efforts sur le plumitif criminel, et nous proposons d'améliorer l'accès à ce registre juridique à l'aide de techniques du traitement automatique de la langue naturelle. Premièrement, nous proposons un nouveau jeu de données pour la génération des descriptions de plumitifs. Ce jeu de données est utilisé pour entraîner des générateurs de texte neuronaux afin de fournir des descriptions intelligibles des plumitifs criminels. Nous proposons ensuite une nouvelle métrique robuste d'évaluation de génération textuelle qui quantifie les omissions et les hallucinations des générateurs textuels neuronaux, un problème de grande importance dans le domaine juridique. Nous avons ensuite mené une évaluation manuelle des générations faites par différents modèles de réseaux de neurones, pour mieux caractériser le comportement de ceux-ci. Finalement, nous proposons un nouvel algorithme de décodage pour les générateurs textuels neuronaux de types "data-to-text" qui améliore la fidélité du texte généré par rapport aux données d'entrée. / As in many other democracies, Canada has a right of access to court information. It is a fundamental element of any judicial process. This right has two main purposes: to provide a window on the justice system and to allow people to gain a better understanding of the court process. One of the essential documents in the justice system is the docket; a document that details the progress of each case before the courts. Despite this, it has been shown that the docket is a document difficult to understand for both citizens and practitioners. In this thesis, we focus our efforts on the criminal docket, and we propose to improve access to this legal record using automatic natural language processing techniques. To this end, we propose a new dataset for generating docket descriptions. This dataset is used to train neural text generators to provide intelligible descriptions of criminal dockets. We then propose a new robust text generation evaluation metric that quantifies omissions and hallucinations of neural text generators, a problem of great importance in the legal domain. We then conduct a manual evaluation of generations made by neural networks, to better characterize their behavior. Finally, we propose a new decoding algorithm for data-to-text neural generators that improves the faithfulness of generated text with respect to the input.

La connectomique est l’étude des cartes de connectivité du cerveau (animal ou humain), qu’on nomme connectomes. À l’aide des outils développés par la science des réseaux complexes, la connectomique tente de décrire la complexité fonctionnelle et structurelle du cerveau. L’organisation des connexions du connectome, particulièrement la hiérarchie sous-jacente, joue un rôle majeur. Jusqu’à présent, les modèles hiérarchiques utilisés en connectomique sont pauvres en propriétés émergentes et présentent des structures régulières. Or, la complexité et la richesse hiérarchique du connectome et de réseaux réels ne sont pas saisies par ces modèles. Nous introduisons un nouveau modèle de croissance de réseaux hiérarchiques basé sur l’attachement préférentiel (HPA - Hierarchical preferential attachment). La calibration du modèle sur les propriétés structurelles de réseaux hiérarchiques réels permet de reproduire plusieurs propriétés émergentes telles que la navigabilité, la fractalité et l’agrégation. Le modèle permet entre autres de contrôler la structure hiérarchique et apporte un support supplémentaire quant à l’influence de la structure sur les propriétés émergentes. Puisque le cerveau est continuellement en activité, nous nous intéressons également aux propriétés dynamiques sur des structures hiérarchiques produites par HPA. L’existence d’états dynamiques d’activité soutenue, analogues à l’état minimal de l’activité cérébrale, est étudiée en imposant une dynamique neuronale binaire. Bien que l’organisation hiérarchique favorise la présence d’un état d’activité minimal, l’activité persistante émerge du contrôle de la propagation par la structure du réseau. / Connectomics is the study of the brain connectivity maps (animal or human), described as complex networks and named connectomes. The organization of the connections, including the network’s hidden hierarchy, plays a major role in our understanding of the functional and structural complexity of the brain. Until now, the hierarchical models in connectomics have exhibited few emergent properties and have proposed regular structures whereas conectomes and real networks show complex structures. We introduce a new growth model of hierarchical networks based on preferential attachment (HPA - hierarchical preferential attachment). The structure can be controlled by a small set of parameters to fit real networks. We show how functional properties emerge from the projection of the hierarchical organization. Furthermore, we use HPA to investigate the minimum level of activity of the brain. The network response under binary dynamics shows evidence of persistent activity, similar to the resting-state of the brain. Even though hierarchical organization is beneficial for sustained activity, we show that persistent activity emerges from the control of the structure over the dynamics.

Ce mémoire présente une méthode d’acquisition légère et abordable basée sur l’apprentissage profond pour l’estimation des paramètres intrinsèques de surface des matériaux du monde réel. Pour ce problème d’estimation, la difficulté principale est l’entraînement des réseaux de neurones des méthodes modernes qui est habituellement effectué sur des données virtuelles exclusivement. Après cet entraînement avec des matériaux synthétiques, les résultats obtenus pour les matériaux réels ne sont pas satisfaisants. De plus, il est difficile d’évaluer et de comparer les différentes méthodes puisque la vérité terrain est inconnue pour l’estimation des paramètres des matériaux réels. Afin de résoudre ces problèmes, un nouvel appareil est développé. Il permet la capture d’images de l’apparence des surfaces sous divers angles d’illumination. Cet appareil permet l’acquisition d’une base de données contenant 80 matériaux réels. Cette base de données est mise à profit pour l’évaluation de différentes méthodes modernes basées sur l’apprentissage profond. Finalement, des stratégies supplémentaires pour les matériaux réels, ainsi qu’une nouvelle architecture de réseau de neurones sont proposées pour estimer les propriétés de surface de matériaux réels (on identifie ces propriétés par la SVBRDF pour Spatially-Varying Bidirectional Reflectance Distribution Function). Les réseaux mis au point dans les recherches permettent d’obtenir des résultats supérieurs à l’état de l’art pour l’estimation de l’apparence des matériaux réels sans avoir recours à des systèmes d’acquisition sophistiqués.

Dû à l'échelle des structures et des comportements observés, les neurosciences et la microscopie ont toujours été intimement liées. Que ce soit pour observer les différentes morphologies cellulaires en lumière blanche transmise, ou pour suivre des dynamiques complexes grâce à des sondes fluorescentes, la lumière est l'outil de choix pour étudier le cerveau et sa composition. Plus particulièrement, la lumière possède la bonne résolution spatiale et temporelle pour sonder autant localement que globalement toutes les échelles de l'activité neuronale. De plus, les techniques de mesure utilisant la lumière sont généralement peu invasives. Cette thèse de doctorat montre trois techniques d'imagerie de fluorescence, développées pour des échelles d'organisation distinctes. Le but de la thèse est de fournir de nouveaux outils technologiques visant à repousser les limites des questions biologiques aujourd'hui disponibles aux neuroscientifiques. Afin de pouvoir sonder efficacement les mécanismes internes aux petites structures comme les épines dendritiques et les dendrites, nous avons développé un protocole de marquage unicellulaire du fluorophore sensible au potentiel ANNINE-6plus. La méthode se base sur le chargement intracellulaire de la sonde fluorescente dans des échantillons autant en cultures cellulaires dissociées, qu'en préparations de tranches aigues et organotypiques. Le deuxième projet adresse les défis liés à l'imagerie rapide de l'activité de réseaux. Typiquement, il y a un choix à faire entre la résolution temporelle et la surface d'imagerie. Ce choix vient du fait que les techniques d'imagerie rapides sont habituellement à champs larges et ne fournissent pas de sectionnement optique, ce qui rend leur utilisation dans des échantillons épais difficile. En couplant une technique à champ large multiphotonique, la focalisation temporelle, avec l'illumination structurée ainsi qu'un laser amplifié, nous avons développé un système à champ large doté d'un sectionnement optique en-deçà de 10 um. Le troisième chapitre décrit le développement de deux logiciels distribués avec un produit commercialisé par Doric Lenses Inc., soit un microscope miniature implantable pour l'imagerie de structures profondes du cerveau pour des animaux se déplaçant librement. Les logiciels permettent le traitement des images en temps réel et à posteriori. Ce produit offre finalement un lien entre l'activité neuronale locale, et les comportements animaux observés. / Due to the scale of the observed structures and behaviours, neurosciences and microscopy have always been intertwined. Whether it is to observe the different cell morphologies in transmitted white light, or to follow complex dynamics using fluorescent probes, light is the tool of choice to study the brain and its composition. Specifically, the light has the proper spatial and temporal resolution to probe both locally and globally all levels of neuronal activity, while remaining minimally invasive. This thesis shows three techniques developed for different scales, in order to push the limits of the currently addressable biological questions by neuroscientists. In order to effectively probe the internal mechanisms for small structures like dendritic spines and dendrites, we have created a single-cell labeling protocol of the voltage-sensitive fluorophore ANNINE-6plus. The method is based on the intracellular loading of the fluorescent probe in samples both in dissociated cell cultures, than in preparations of acute and organotypic slices. The second project addresses the challenges of rapid imaging of the cellular network activity. Typically, there is a choice between the temporal resolution and the imaging surface. This choice is that the fast imaging techniques are usually widefield and do not provide optical sectioning, making their use in thick samples difficult. By combining a widefield multiphoton technique, the temporal focusing, with the structured illumination and an amplified laser, we have developed a widefield system with an optical sectioning below 10um. The third chapter describes the development of two software distributed with a product created by Doric Lenses Inc., an implantable miniature microscope for imaging of deep brain structures of freely moving animals. This product finally provides a link between the local neuronal activity, and the observed animal behaviours.

Le présent document offre un survol de différentes méthodes employant une approche réseau afin d'identifier des anomalies au sein de réseaux cérébraux associés à un diagnostic dans le cadre d'études cas-témoins. Le cadre opérationnel employé compare les réseaux cérébraux d'individus portant un certain diagnostic associé à une condition du cerveau (cas) avec les réseaux cérébraux d'individus en "santé" (témoins). Chaque patient est représenté par un seul réseau cérébral. Les méthodes réseaux discutées peuvent opérer sur certaines propriétés observables dans les réseaux cérébraux. Le choix des propriétés à investiguer devrait être guidé par des hypothèses et des connaissances actuelles des moyens de communications dans le cerveau. À cet effet, une revue de quelques mesures possibles, et les raisons pour lesquelles celles-ci pourraient être pertinentes dans un contexte de réseaux cérébraux est donnée. Quatre méthodes seront présentées, soit le Permutation Network Framework (PNF), ANOVA, le contrast-subgraph et le Network-based statistic (NBS). Par ailleurs, une extension au NBS, appelée NBS-SNI (NBS-simultaneous node investigation) est proposée. Des résultats employant NBS et NBS-SNI appliqués à des données fonctionnelle associées à des études cas-témoins (ABIDE I (autisme), ADHD200 (trouble du déficit de l'attention et hyperactivité), une étude sur la schizophrénie et d'autres) seront présentés. En outre, les différences identifiées avec ces méthodes seront également employé avec NBS-predict afin de réaliser des prédictions (diagnostics) sur des réseaux cérébraux individuels. Entre autres, des performances de prédiction de 70% et 66% ont été obtenues sur l'entièreté des données provenant de ABIDE I et de l'étude ADHD200, respectivement. Les résultats obtenus sur les données ABIDE I ont été analysés plus en profondeur et comparés à ceux d'autres études. Les attributs employés contribuant le plus aux prédictions se révèlent sous forme de sous-réseaux plus fortement/faiblement connectés chez les individus atteints par la condition. Certaines caractéristiques retrouvées dans ces sous-réseaux semblent être cohérentes avec des résultats rapportés précédemment obtenus sur les mêmes données, ou portant sur le spectre l'autisme en général. Finalement, quelques opinions à propos de l'utilisation d'un formalisme réseaux en neuroscience sont offertes, ainsi que des directions et modifications possibles pour l'extension NBS-SNI dans le futur. / This document offers an overview of different methods employing a network-based approach to identify abnormalities in brain networks associated with a certain diagnostic in typical case-control studies. In these methods, networks associated to patients with a condition are compared against healthy control brain networks. Every patient is represented by a single brain network. The methods discussed operate on some property observed on these brain networks. The choice of a property to measure should be meaningful and related to the (thought to be) means of communication in the brain. A review of a few of these possible measurable properties such as centrality measures is included. Four known methods will be presented, namely, a Permutation Network Framework (PNF), the one-way ANOVA, contrast-subgraph and the Network-based statistic (NBS). In addition, a modification/extension to the NBS called the NBS-SNI (NBS-Simultaneous Node Investigation) will be proposed. Some results obtained using the NBS and the novel NBS-SNI methods on various functional datasets associated to case-control studies (such as ADHD200 (attention deficit hyperactivity disorder), ABIDE I (autism), a schizophrenia study and others) will be presented. Moreover, the differences identified between the two groups of brain networks (condition and control) will also be used to make predictions/diagnosis of individuals using NBS-predict (a prediction extension of NBS). For example, prediction accuracies of 70% and 66% were obtained on the complete ABIDE I and ADHD200 datasets, respectively. Also, the results obtained on the complete ABIDE I dataset were further investigated and compared with other work. The features, which manifest in the condition group as hyperconnected or hypoconnected subnetworks that contributed the most to the prediction performance yielded by NBS-predict were extracted. Some characteristics of these subnetworks seemed to be coherent with previously reported findings on the same dataset/condition. Finally, considerations about using network neuroscience in the context of case-control studies are given, along with future outlooks for the proposed NBS-SNI method.

Ce document défend la thèse selon laquelle les prévisions hydrologiques d'ensemble possèdent une utilité opérationnelle supérieure à celle de leur contrepartie déterministe, autant dans le cas des prévisions basées sur des réseaux de neurones que pour des prévisions provenant d'un modèle hydrologique physique couplé à des prévisions météorologiques d'ensemble. Pour ce faire, deux séries de prévisions hydrologiques d'ensemble sont produites. La première série exploite un ensemble de réseaux de neurones tandis que la deuxième série provient du modèle hydrologique physique HYDROTEL auquel sont fournies des prévisions météorologiques d'ensemble issues de deux modèles atmosphériques développés par Environnement Canada. Puisque la simplicité de mise en oeuvre des réseaux de neurones de type perceptron multicouches le permet, ceux-ci sont testés sur six bassins versants. Les prévisions provenant du modèle HYDROTEL, quant à elles, concernent uniquement le bassin versant de la rivière Gatineau, qui comporte plusieurs ouvrages de production hydroélectrique. Cette particularité permet l'étude de la performance économique des prévisions hydrologiques d'ensemble pour la gestion du système. De plus, cette expérience se déroulant en période de crue, on peut démontrer l'intérêt des prévisions d'ensemble pour la prévention des débordements dans ce secteur. Par ailleurs, une comparaison entre les prévisions d'ensemble et les débits observés est effectuée à l'aide de critères de performance spécifiques aux prévisions d'ensemble, tels que le Continuous Ranked Probability Score ainsi que sa décomposition. Cette approche répandue chez les partisans des modèles physiques est toutefois novatrice du point de vue des ensembles neuronaux. Elle permet de démontrer la pertinence de conserver l'intégralité de l'ensemble neuronal plutôt que de l'agréger en une valeur moyenne, puisque l'ensemble offre une performance prévisionnelle supérieure. VI L'analyse des prévisions brutes, toute provenance confondue, révèle la présence d'un biais ainsi qu'une sous-estimation de l'incertitude (sous-dispersion) importante. Consé-quemment, quatre méthodes de post-traitement des prévisions sont appliquées et comparées. Ces méthodes, majoritairement basées sur une procédure de type noyaux, sont aussi testées sur deux jeux de prévisions d'ensemble synthétiques simples, afin d'effectuer une expérience plus théorique pour laquelle la réponse attendue est connue.

Titre de l'écran-titre (visionné le 22 mai 2023) / Les modèles mathématiques sont souvent employés en neurosciences pour mieux comprendre le comportement des neurones et des réseaux neuronaux. De nombreux outils mathématiques sont utilisés pour décrire les différents aspects de l'activité et des structures neuronales sur des échelles temporelles et temporelles s'étendant sur plusieurs ordres de grandeur. Par exemple, les systèmes d'équations différentielles ordinaires tels que le modèle de Hodgkin-Huxley sont utilisés depuis plusieurs décennies pour décrire les mécanismes de génération de potentiels d'action dans les neurones. À une échelle spatiale plus grande, les équations aux dérivées partielles (EDP) telles que les équations de Maxwell sont utilisées pour comprendre la distribution du champ électrique sur l'ensemble du cerveau. Un nombre moins important de recherches ont été consacrées à l'étude de la distribution des concentrations ioniques et du champ électrique dans les petites structures neuronales (∼ 1μm) telles que les nœuds de Ranvier, les épines dendritiques ou les vésicules présynaptiques. Une manière de modéliser ces structures est de résoudre le système EDP des équations de Poisson Nernst Planck. Ce système d'équations peut être utilisé pour calculer la distribution des concentrations ioniques en résolvant les équations de Nernst-Planck et résoudre la distribution des champs électriques par l'équation de Poisson. L'avantage d'une telle approche est qu'elle permet d'étudier des structures aux géométries arbitrairement complexes. L'objectif principal de cette thèse est d'utiliser le système d'équations de Poisson Nernst-Planck pour modéliser l'activité des épines dendritiques et des nœuds de Ranvier afin de mieux comprendre les les fluctuations des concentrations ioniques dans ces structures. Une contribution importante du projet projet est l'implémentation d'une méthode numériquement efficace pour résoudre ces équations. En effet, la résolution de l'EDP sur des géométries non triviales peut rapidement devenir coûteuse en termes de calcul ce qui rend important le choix d'une approche numérique efficace. Nous avons utilisé la méthode des éléments finis avec des éléments de second ordre. Notre code est implémenté sur le logiciel MEF++, un code développé par le groupe de recherche GIREF de l'Université Laval. Les deux structures d'intérêt, les épines dendritiques et les nœuds de Ranvier, ont été choisies parce qu'elles jouent des rôles importants dans la signalisation neuronale et parce que leurs fonctions sont susceptibles d'être modulées par des altérations de leurs géométries. Les épines dendritiques sont des structures en forme de champignon qui recouvrent les branches dendritiques. Une grande partie des synapses excitatrices sont situées sur les épines dendritiques et l'on pense donc que ces structures jouent un rôle dans la façon dont le signal électrique est transmis au corps cellulaire du neurone. Nous avons simulé des événements synaptiques se produisant sur des épines de géométries différentes afin de déchiffrer la relation entre leur forme et leur fonction. Les événements survenant au niveau des synapses excitatrices déclenchent deux types de réponses, une dépolarisation électrique et une augmentation de la concentration en calcium. Notre modèle décrit ces deux réponses. Nos simulations suggèrent que la forme des épines dendritiques est un déterminant important de la dynamique du calcium alors que son impact sur la signalisation électrique reste limité sur une large gamme de géométries. Les axones sont des structures filiformes qui transmettent des signaux électriques d'un neurone à d'autres. Les axones sont isolés électriquement par des gaines de myéline qui accélèrent la propagation des signaux. Les nœuds de Ranvier sont de petites sections non myélinisées de l'axone, espacées à des intervalles à peu près réguliers. Ces structures sont caractérisées par une forte densité de canaux commandés par le voltage qui maintiennent l'amplitude du potentiel d'action pendant sa propagation. Nous étudions numériquement l'effet de la longueur du nœud, de l'épaisseur de la myéline et de l'angle que fait la myéline avec le nœud de Ranvier sur la propagation du potentiel électrique dans la membrane de l'axone. Nous montrons que la perte de myéline dans le nœud de Ranvier pourrait avoir un impact important sur les potentiels extracellulaires. La méthodologie développée dans cette thèse pourrait être appliquée à de nombreuses autres structures telles que la fente synaptique ou les vésicules présynaptiques. / Mathematical models are often employed in neuroscience to better understand the behaviour of neurons and neural networks. Many mathematical tools are used to describe the different aspects of neural activity and structures over temporal and time scales spanning over several order of magnitudes. For example, systems of ordinary differential equations (ODE's) such as the Hodgkin-Huxley model have been used for several decades to describe the spike generating mechanisms in neurons. On a larger spatial scale, partial differential equations (PDE's) such as Maxwell equations are used to understand the distribution of the electrical field over the whole brain. A lesser amount of research has been devoted to the investigation of the distribution of ionic concentrations and electrical field in small neural structures (∼ 1 μm) such as nodes of Ranvier, dendritic spines or presynaptic vesicles. One way to perform such investigations is to solve the PDE system of Poisson Nernst Planck equations. This system of equations can be used to compute the distribution of ionic concentrations by solving the Nernst-Planck equations and resolve the distribution of electric fields through the Poisson equation. The advantage of such an approach is that it allows the investigation of structures with arbitrarily complex geometries. The main aim of this thesis is to use the Poisson Nernst-Planck system of equations to model the electrical activity of dendritic spines and nodes of Ranvier and to better understand the fluctuations of ionic concentrations in these structures. A significant contribution of the project is the implementation of a numerically efficient way to solve these equations. Indeed, the resolution of PDE on non trivial geometries can rapidly become computationally expensive making the choice of an efficient numerical approach important. We used the finite element method with second order elements. Our code is implemented on the MEF++ software, a code developed by the GIREF research group at Laval University. The two structures of interest, dendritic spines and nodes of Ranvier were chosen because they play important roles in signaling in neural signaling and because their functions is likely to be modulated by alterations in their geometries. Dendritic spines are mushroom like structures covering dendritic branches. A large proportion of excitatory synapses are located on dendritic spines and it is thus believed that these structures play a role in how the electric signal is transmitted to the neuron's cell body. We simulated synaptic events occurring on spines with many different geometries to decipher the elusive relationship between their shape and function. Events at excitatory synapses trigger two types of responses: an electrical depolarization and an increase in calcium concentration. Our model describes these two responses. Our simulations suggest that the shape of the spine is an important determinant of calcium dynamics while its impact on electric signaling remains limited over a wide range of geometries. Axons are wire like structures transmitting electric signals from one neuron to others. Axons are electrically insulated by myelin sheaths which accelerates signal propagation. Nodes of Ranvier are small unmyelinated sections of the axon spaced at roughly regular intervals. Theses structures are characterized by a high density of voltage gated channels which maintain the amplitude of the action potential during its propagation. Numerically, we investigate the effect of the node length, myelin thickness and the angle which the myelin makes with the node of Ranvier on the propagation of electric potential in the membrane of the axon. We show that loss of myelin in the node of Ranvier might have an important impact on extracellular potentials. The methodology developed in this thesis could be applied to many other structures such as the synaptic cleft or presynaptic vesicles.

L’étude expérimentale de la résilience d’un réseau complexe repose sur la capacité à reproduire l’organisation structurelle et fonctionnelle du réseau à l’étude. Ayant choisi le réseau neuronal du poisson-zèbre larvaire comme modèle animal pour sa transparence, on peut utiliser des techniques telles que l’imagerie calcique par feuillet de lumière pour imager son cerveau complet plus de deux fois par seconde à une résolution spatiale cellulaire. De par les bonnes résolutions spatiale et temporelle, les données à segmenter représentent par le fait même un gros volume de données qui ne peuvent être traitées manuellement. On doit donc avoir recours à des techniques numériques pour segmenter les neurones et extraire leur activité.Trois techniques de segmentation ont été comparées, soit le seuil adaptatif (AT), la forêtd’arbres décisionnels (ML), ainsi qu’un réseau de neurones à convolution (CNN) déjà entrainé. Alors que la technique du seuil adaptatif permet l’identification rapide et presque sans erreurdes neurones les plus actifs, elle génère beaucoup plus de faux négatifs que les deux autres méthodes. Au contraire, la méthode de réseaux de neurones à convolution identifie plus deneurones, mais en effectuant plus de faux positifs qui pourront, dans tous les cas, être filtrés parla suite. En utilisant le score F1 comme métrique de comparaison, les performances moyennes de la technique de réseau de neurones (F1= 59,2%) surpassent celles du seuil adaptatif (F1= 25,4%) et de forêt d’arbres de décisions (F1= 48,8%). Bien que les performances semblent faibles comparativement aux performances généralement présentées pour les réseauxde neurones profonds, il s’agit ici d’une performance similaire à celle de la meilleure techniquede segmentation connue à ce jour, soit celle du 3dCNN, présentée dans le cadre du concours neurofinder (F1= 65.9%). / The experimental study of the resilience of a complex network lies on our capacity to reproduceits structural and functional organization. Having chosen the neuronal network of the larvalzebrafish as our animal model for its transparency, we can use techniques such as light-sheet microscopy combined with calcium imaging to image its whole brain more than twice every second, with a cellular spatial resolution. Having both those spatial and temporal resolutions, we have to process and segment a great quantity of data, which can’t be done manually. Wethus have to resort to numerical techniques to segment the neurons and extract their activity. Three segmentation techniques have been compared : adaptive threshold (AT), random deci-sion forests (ML), and a pretrained deep convolutional neural network. While the adaptive threshold technique allow rapid identification and with almost no error of the more active neurons, it generates many more false negatives than the two other methods. On the contrary, the deep convolutional neural network method identify more neurons, but generates more false positives which can be filtered later in the proces. Using the F1 score as our comparison metrics, the neural network (F1= 59,2%) out performs the adaptive threshold (F1= 25,4%) and random decision forests (F1= 48,8%). Even though the performances seem lower compared to results generally shown for deep neural network, we are competitive with the best technique known to this day for neurons segmentation, which is 3dCNN (F1= 65.9%), an algorithm presented in the neurofinder challenge.

- / Doctorat en Sciences / info:eu-repo/semantics/nonPublished

L'océan joue un rôle très important dans la régulation du climat de la terre à travers les échanges de chaleur avec l'atmosphère, qui se font en grande partie sous forme de Flux de Chaleur Latente (FCL). Ce dernier dépend notamment de l'humidité spécifique à quelques mètres au-dessus de la surface. Cette dernière variable est encore mal maîtrisée dans les modèles météorologiques, et trop peu d'observations sont disponibles à l'échelle du globe pour calculer des champs d'humidité et de flux de chaleur latente, pourtant nécessaires pour forcer les modèles océaniques, par exemple. Dans ce travail, on analyse le potentiel des données de télédétection spatiale pour estimer l'humidité de surface. L'intérêt majeur des satellites est qu'ils nous permettent d'observer l'ensemble des océans à une échelle temporelle de quelques jours seulement. Afin de restituer l'humidité spécifique, nous nous servons des données de températures de brillance mesurées par les radiomètres hyperfréquences AMSU-A (Advanced Microwave Sounding Unit - A) et AMSU-B embarqués à bord des satellites NOAA 15, 16 et 17. AMSU-A comporte 15 canaux entre 23.8 GHz et 89 GHz, avec une résolution de 48 Km, et AMSU-B comporte 5 canaux entre 89 GHz et 183.31 GHz, et a une résolution de 16 Km. Nous utilisons les radiomètres AMSU parce qu'ils possèdent un nombre important de canaux (20 canaux au total), dont certains sont sensibles à la vapeur d'eau. Malgré leur potentiel intéressant, les radiomètres AMSU ont jusqu'ici été peu exploités pour la restitution de l'humidité de surface. Deux approches sont utilisées pour faire cette restitution : la régression linéaire multiple et les réseaux de neurones artificiels. Grâce à cette dernière méthode, nous avons pu restituer l'humidité de surface avec une amélioration de 21.8% par rapport à l'algorithme de référence (Bentamy et al., 2003). Ceci se traduit par un écart rms de 0.86 g/kg, par rapport aux données de validation, qui sont les observations horaires des mouillages TAO et PIRATA. L'ensemble des résultats trouvés au cours de cette étude indique clairement que le satellite apporte un point de vue complémentaire par rapport aux modèles opérationnels et par rapport aux observations, vis-à-vis de l'humidité de surface.