Prétraitements et méthodes de séparation de sources pour l’analyse des spectres Raman issus d’échantillons biologiques

RésuméLa spectroscopie Raman est une technique efficace d’analyse de la composition moléculaire d’échantillons biologiques. Des méthodes de séparation de sources peuvent être utilisées pour séparer efficacement les informations denses mélangées dans les spectres Raman acquis. Des déformations telles que le fond de fluorescence, le désalignement des pics ou l’hétérogénéité de la largeur des pics remettent en cause le modèle génératif linéaire requis par les méthodes de séparation de sources. Des prétraitements sont nécessaires pour compenser ces effets perturbateurs et ainsi rendre les spectres Raman descriptibles par un modèle génératif linéaire. Nous montrons dans cet article que l’efficacité des méthodes de séparation de sources est profondément dépendante des prétraitements appliqués aux données. L’étude du déparaffinage numérique du signal Raman d’une biopsie de peau humaine prouve les améliorations ainsi apportées. Les méthodes de séparation de sources appliquées dans cet article sont : un algorithme classique d’analyse en composantes indépendantes (ACI), nommé joint approximate diagonalization of eigenmatrices (JADE) et deux méthodes de séparation de sources positives, appelées la factorisation en matrices non-négatives (FMN) et la séparation de sources positives par maximum de vraisemblance (SSPMV).

Raman spectroscopy is a useful tool to investigate the molecular composition of biological samples. Source separation methods can be used to efficiently separate dense information recorded by Raman spectra. Distorting effects such as fluorescence background, peak misalignment or peak width heterogeneity break the linear generative model required by the source separation methods. Preprocessing steps are needed to compensate these deforming effects and make recorded Raman spectra fit the linear generative model of source separation methods. We show in this paper how efficiency of source separation methods is deeply dependent on preprocessing steps applied to raw dataset. Resulting improvements are illustrated through the study of the numerical dewaxing of Raman signal of a human skin biopsy. The applied source separation methods are a classical independent component analysis (ICA) algorithm named joint approximate diagonalization of eigenmatrices (JADE), and two positive source separation methods called non-negative matrix factorization (NMF) and maximum likelihood positive source separation (MLPSS).