Traitement d’images pour l’étude des maladies des plantes

« Le Phoma (causé par le champignon phytopathogène Leptosphaeria maculans) est l’une des principales maladies du colza oléagineux dans le monde. Ce champignon occasionne, certaines années, des baisses de rendement pouvant s’élever à 50% dans certaines régions. Malgré la mise en place de mesures de protection (culturales, génétiques, biologiques ou chimiques), ces pertes de rendement restent élevées dans les pays industrialisés et en développement. De plus, l’utilisation systématique des produits phytosanitaires est remise en question, avec la prise de conscience croissante des risques qu’ils peuvent générer pour l’environnement, voire pour la santé humaine. Néanmoins, il existe une alternative à l’utilisation de pesticides qui consiste à sélectionner et déployer des plantes résistantes.

L’identification de variétés résistantes et leurs comportements vis-à-vis de variants du pathogène nécessite un gros travail de phénotypage de l’interaction hôte-pathogène. Dans ce cadre l’utilisation de l’imagerie numérique est en plein essor pour améliorer le débit et la précision du phénotypage des maladies.

Ce projet vise à étudier le développement d’un champignon pathogène (i.e. Leptosphaeria maculans) qui cause une maladie importante sur le colza (i.e. phoma du colza) à partir d’images numériques. Il s’agit de mettre en oeuvre des méthodes de traitement d’image adaptées pour étudier le développement spatio-temporel de nécroses au niveau de cotylédons inoculés par différentes souches du champignon.

Le travail se base sur des images acquises dans des conditions standardisées (lumière contrôlée, mires couleurs etc…) et consiste à segmenter à l’aide de méthodes supervisées et non supervisées la maladie, puis d’utiliser les résultats du traitement d’image pour analyser les résultats biologiques (e.g. effets de la variété) et la qualité (e.g. précision, prédiction) des algorithmes utilisés.

L’objectif a été de mettre en place un pipeline de traitement des images afin d’extraire des métriques pertinentes (e.g. surface nécrosée) pour analyser le développement de la maladie. Dans ce cadre les méthodes de segmentation par apprentissage permettent l’estimation précise de zones nécrotiques à formes complexes sur des images où les contours de ces zones sont parfois difficiles à visualiser à l’oeil nu pour des non-experts. Néanmoins nous avons vu tout au long de notre propos que les méthodes supervisées nécessitent un grand nombre de données annotées pour être performantes. Ces annotations sont obtenues par une segmentation manuelle, réalisée par un biologiste, des structures d’intérêts sur les images de feuilles. Les structures d’intérêt en question étant le fond, la partie saine de la feuille et sa partie nécrosée. Cette situation devient vite compliquée car la tâche d’annotation manuelle est trop chronophage pour permettre la constitution de grandes bases d’images. »