Télécharger le fichier original (Mémoire de fin d’études)7
Méthodes de segmentation
Seuillage
Le seuillage est la méthode de segmentation la plus simple qui convertit une image en niveaux de gris en une image binaire en fonction d’un seuil. Les pixels dont les intensités sont plus grandes qu’un seuil sont fixés à la valeur 1, les autres sont fixés à la valeur 0. Le seuil est généralement évalué par des approches paramétriques ou non paramétriques qui s’appuient sur l’histogramme de l’image. Pour les méthodes paramétriques, les classes d’objet et du fond sont supposées suivre une distribution gaussienne. Ces méthodes cherchent à estimer les paramètres de la distribution gaussienne (Fan et Lin, 2007; Bazi et al., 2007; Wang et al., 2008). Parmi les méthodes non paramétriques, la méthode d’Otsu (Otsu, 1979) est un standard. Le seuil est calculé automatiquement en minimisant la variance intra-classe. Les méthodes comme celles d’Otsu estiment des seuils globaux sur une image entière et la segmentent selon deux classes: l’objet et le fond. Souvent, la luminance d’une image n’est pas uniforme et présente des valeurs variables, c’est ce qui résulte fréquemment de la présence d’objets foncés, d’objets clairs et du fond. Par conséquent, le seuillage adaptatif a été proposé pour s’adapter aux régions de différentes luminances. Le seuillage adaptatif est généralement calculé dans une fenêtre glissante de l’image ou dans les sous-classes segmentées de façon itérative (Shu et al., 2013; Cai et al., 2014).
La méthode de seuillage permet de segmenter des objets par rapport au fond mais ne peut pas séparer les objets s’ils appartiennent à une même composante connexe. Lorsque les objets ne se touchent pas, l’étape de seuillage seule est suffisante. Cependant, si les objets se touchent, il faut une étape supplémentaire pour les séparer.
K-moyennes
La méthode des K-moyennes (Hartigan et Wong, 1979) est une méthode de classification mise au point pour analyser les données dans le domaine du data mining. Etant donné les points initiaux d’un nombre k de classes, chaque point peut être attribué à l’une des k classes de façon à minimiser la distance de chaque point au centroïde de sa classe. Il est ensuite nécessaire de mettre à jour les centroïdes des k classes et de partitionner à nouveau les points du plan selon k classes en utilisant la même méthode. La méthode itère sur cette étape jusqu’à ce que plus aucun point ne soit changé de classe. En traitement des images, ce sont les pixels de l’image qui sont répartis selon k classes et la distance utilisée est la distance calculée entre l’intensité de chaque pixel et la moyenne des intensités des pixels de chaque classe. Les k classes correspondent aux objets et au fond.
Comme la méthode du seuillage, cette méthode ne peut extraire que les objets du fond. Au sein d’une même classe, pour séparer les objets qui se touchent, une étape supplémentaire est nécessaire.
Apprentissage / classification
Au cours des dernières années, l’émergence de techniques d’apprentissage a permis à plusieurs méthodes d’analyse cellulaire de voir le jour. La méthode bioVision (Chubb et al., 2006) est une des méthodes d’apprentissage supervisées qui utilise des caractéristiques concernant la colorimétrie et les informations sur l’intensité locale (la moyenne et la variance des valeurs d’intensité dans le voisinage de chaque pixel). Pendant l’étape d’apprentissage, bioVision apprend ces caractéristiques en fonction d’une vérité terrain produite au préalable par un expert. Ensuite, pour chaque classe, la méthode modélise la densité de probabilité des caractéristiques par un mélange de gaussiennes. Pendant l’étape de classification, chaque pixel est classifié, en se basant sur le théorème de Bayes, par estimation des probabilités a posteriori d’appartenir à chacune des classes. Cette méthode a été implémentée dans notre laboratoire et a été testée pour la segmentation de la classe neurone dans ce travail. La méthode des forêts aléatoires (Random Forest, RF) est une autre technique d’apprentissage qui a montré une amélioration, par rapport à bioVision, de la qualité des segmentations automatiques obtenues sur des plaques Aβ dans le cas pathologique de la MA (Vandenberghe et al., 2015). Cette méthode sera présentée en détails dans la section 2.3.
Les techniques d’apprentissage/classification permettent généralement de fournir de meilleures performances que les autres méthodes de segmentation. Cependant elles nécessitent la constitution d’une base d’apprentissage segmentée manuellement par des experts ce qui nécessite un travail long et fastidieux.
Les méthodes décrites ci-dessus ont pour but de segmenter les classes objets par rapport au fond. Lorsque les objets se touchent, il est cependant impossible d’analyser les objets individuels avec ces méthodes par un simple calcul de composantes connexes. Dans le cas d’images histologiques, il est fréquent que de nombreux objets segmentés ne soient pas individualisés. Par conséquent, des méthodes complémentaires, permettant d’individualiser les objets présenteraient un grand intérêt. Dans le chapitre suivant, nous allons présenter des méthodes qui traitent du problème de l’individualisation d’objets.
Morphologie mathématique
La méthode de la morphologie mathématique travaille généralement sur des images binaires. Elle est fondée sur les relations logiques entre les pixels. L’image considérée est traitée comme un ensemble de pixels à l’aide d’un élément structurant. Un élément structurant a une forme définie, classiquement des croix, des carrés et des disques en 2D, et une amplitude qui autorise l’exploration d’un espace donné autour du pixel traité. Les opérations fondamentales de base en morphologie mathématique sont l’érosion et la dilatation. Avec les opérations appropriées, d’ouverture (érosion puis dilatation) et de fermeture (dilatation puis érosion), il est possible de supprimer des petits objets et de remplir les trous dans une image binaire.
Cette méthode (Nedzved et al., 2000; Shu et al., 2013) peut être mise en œuvre pour séparer les objets qui se touchent à l’aide de l’opération d’ouverture ou en utilisant les résidus ultimes produits pendant les étapes d’érosion. Cette méthode ne fonctionne que pour de faibles densités d’objets. Lorsque les objets se trouvent au milieu d’un amas d’objets très compact, la méthode n’est pas adaptée.
Détection de concavité
Cette approche permet de détecter des points concaves sur le contour des objets accolés. Les points concaves peuvent être déterminés en fonction de différents critères, par exemple, la courbure, le nombre de pixels des objets en fonction du nombre total de pixels dans une fenêtre ayant généralement la forme d’un carré, etc. Ensuite, à l’aide d’un recalage d’ellipse ou d’un algorithme de transformation de distance, les objets qui se touchent peuvent être séparés selon une séparation optimale (Bai et al., 2008; Kothari et al., 2009; Zhang et al., 2013; Qi, 2014).
Cette méthode peut séparer des objets connexes. Cependant, il existe souvent de faux points concaves dus au bruit qui existent dans l’image binaire. De plus, il n’est pas possible d’utiliser cette méthode dans notre cadre d’application car les points concaves sont présents sur le contour externe d’un amas d’objets. Lorsque la densité d’objets augmente, il n’y a plus de points concaves pour identifier les objets qui se présentent au centre de cet amas et il devient impossible d’individualiser les objets (Figure 31).
Croissance de région
La croissance de région est une méthode de segmentation d’image qui permet de partitionner une image sous forme de régions (Zucker, 1976; Adams et Bischof, 1994). Elle nécessite un ensemble de points (graines) pour initialiser les régions explorées lors du processus de croissance. Ces graines sont déterminées selon un critère définit par l’utilisateur, par exemple, les pixels qui ont les intensités extrêmes (minima/maxima). Les régions croissent alors itérativement par association autour des graines de tous les pixels voisins qui possèdent un ensemble d’attributs de valeurs semblables (couleur, texture, forme, taille, homogénéité, etc.). A chaque itération, les nouveaux points associés servent à leur tour de graines. Les itérations se poursuivent jusqu’à ce que l’ensemble des points aient été affectés à une région.
La clé de la réussite de cette méthode repose au départ sur une sélection appropriée des graines. Le manque de graines conduit à la sous-segmentation, tandis que de la présence de graines supplémentaires produit une sur-segmentation.
Watershed
La méthode du Watershed (ligne de partage des eaux) est une transformation définie sur une image en niveaux de gris. L’image est considérée comme une surface topographique. Les pixels d’intensité basse deviennent des bassins tandis que les pixels d’intensité élevée deviennent des élévations. L’objectif est de séparer les bassins. L’idée principale est d’inonder les bassins avec de l’eau. Au cours de la montée de l’eau, les bassins adjacents vont se rejoindre. A ce moment-là, une ligne de partage des eaux est marquée comme frontière entre les deux bassins. Cousty et al. (2009) ont étudié le Watershed par l’utilisation de gouttes d’eau s’écoulant sur une surface topographique. Les lignes de séparation sont un ensemble de points à partir desquels une goutte d’eau peut s’écouler vers au moins deux minima régionaux.
Table des matières
Glossaire
Introduction
1. Contexte
1.1. Le système nerveux central
1.1.1. Introduction générale
1.1.2. Les principales structures et fonctions du cerveau
1.1.3. Composition cellulaire du cerveau
1.1.3.1. Les neurones
1.1.3.2. Les cellules gliales
1.1.4. Etudes relatives aux neurones
1.1.4.1. Etude du cerveau sain
1.1.4.2. Cas des maladies neurodégénératives
1.2. Modèles animaux en neurosciences
1.2.1. La recherche translationnelle
1.2.2. Modèles animaux
1.2.3. Intérêt des modèles animaux
1.3. Imagerie du cerveau in vivo/post mortem
1.3.1. L’imagerie in vivo
1.3.1.1. Imagerie par résonance magnétique
1.3.1.2. Imagerie par tomographie à émission de positons
1.3.2. L’imagerie post mortem
1.3.2.1. Principe de l’histologie
1.3.2.2. Production de coupes histologiques
1.3.2.3. Imagerie des coupes histologiques
1.3.2.4. Analyse des coupes histologiques
1.3.3. Complémentarité des techniques d’imagerie du cerveau
1.4. Problématique liée à l’étude des neurones en microscopie optique
2. Méthode de segmentation des neurones
2.1. Etat de l’art
2.1.1. Méthodes de segmentation
2.1.2. Validation des méthodes de segmentation d’objets
2.2. Données biologiques de l’étude
2.2.1. Production des coupes histologiques de cerveau de macaque
2.2.2. Bases de données de l’étude
2.2.2.1. Base d’images de coupes histologiques marquées par NeuN
2.2.2.2. Base d’images pour la segmentation du marquage NeuN
2.2.2.3. Base d’images pour l’individualisation des neurones
2.2.2.4. Base d’images pour le comptage stéréologique de référence des neurones
2.2.2.5. Résumé des bases d’images créées
2.3. Segmentation du marquage neuronal par apprentissage/classification
2.3.1. Principe de la méthode des forêts aléatoires (RF)
2.3.2. Segmentation de référence des neurones
2.3.3. Création du modèle d’apprentissage optimal par RF
2.3.4. Classification des pixels de la base de segmentation
2.3.5. Débruitage des résultats de segmentation du marquage NeuN
2.4. Méthode d’individualisation des neurones
2.4.1. Principe de la méthode – Hypothèses de travail
2.4.2. Segmentation du marquage NeuN par RF sur la base de données d’individualisation
2.4.3. Détection des centroïdes des neurones par calcul d’une cartographie des extrema
2.4.4. Individualisation des neurones par croissance de région
2.4.5. Optimisation multi-échelle de l’individualisation des neurones
2.4.6. Validation de la méthode d’individualisation des neurones
2.4.6.1. Validation par comptage des neurones par RDI
2.4.6.2. Validation basée sur des caractéristiques de populations des neurones
2.4.6.3. Validation par comparaison avec le comptage stéréologique..
2.5. Résultats et discussion
2.5.1. Optimisation des paramètres de la méthode
2.5.2. Données computationnelles
2.5.3. Visualisation des résultats de l’individualisation
2.5.4. Comptage des neurones par RDI
2.5.5. Validation des méthodes d’individualisation basée sur des caractéristiques des neurones
2.5.6. Comptage stéréologique de référence
2.6. Conclusion
3. Cartographies mésoscopiques quantitatives relatives aux neurones
3.1. Principe et intérêt de l’intégration à l’échelle mésoscopique
3.2. Calcul des paramètres descripteurs des neurones
3.3. Génération de cartographies quantitatives à l’échelle mésoscopique
3.4. Exemples de cartographies obtenues pour des neurones
3.4.1. Cartographies du nombre de neurones
3.4.2. Cartographies de la morphologie des neurones
3.4.3. Cartographies d’organisation des neurones
3.5. Conclusion
4. Discussion et perspectives
Annexe
Publications
Bibliographie
Résumé
Abstract
