Méthode de détection et de cractérisation des neurones

A Method for Neuron Detection and Characterization

• Auteur / Autrice : Heechang Kim
• Direction : Georges Stamon
• Type : Thèse de doctorat
• Discipline(s) : Mathématique. Informatique
• Date : Soutenance en 2011
• Etablissement(s) : Paris 5

Mots clés

Mots clés contrôlés

Axone

Réseaux neuronaux (informatique)

Résumé

L'objectif principal de cette these est de proposer une methode de detection et de caracterisation des neurones pour les etudes neuroscientifiques. Celles-ci necessitent d'extraire des informations globales et locales sur la morphologie des neurones dans des coupes bidimensionnelles acquises par microscopie confocale de fluorescence. Les difficultes rencontrees proviennent de la complexite des structures neuronales et de la qualite des images. Un neurone est principalement compose de deux types de structures, un corps cellulaire et des neurites qui presentent des proprietes morphologiques distinctes. Les etudes en neurosciences requiert souvent des methodes pour distinguer ces deux structures (afin de caracteriser leur morphologie locale) tout en conservant la structure globale (afin d'extraire des caracteristiques topologiques d'ensemble). Cela implique d'utiliser differentes methodes pour l'extraction des structures neuronales. De plus, la variabilite des phenotypes neuronaux tels que la forme des corps cellulaires, les tailles, longueurs, epaisseurs et courbures des neurites gênent le processus de detection. Des difficultes resident aussi dans l'acquisition des images. Pour des raisons telles que le photoblanchiment, une mauvais specificite de la sonde fluorescence, la perturbation des fonctions proteiques, des neurites localement morts, des structures situees hors du plan focal, un amincissement local des neurites, ou encore un important bruit de fond, l'intensite des structures d'interêt peut être irreguliere. L'image ideale contient des neurones dont le corps cellulaire se distingue par une intensite significativement plus importante que celle des neurites. Toutefois, pour toutes les raisons citees precedemment, le corps cellulaire peut presenter un contraste similaire, voir inferieur a celui des neurites. En outre, les irregularites de l'intensite peuvent former a l'interieur du corps cellulaire des structures semblables a celles qui caracterisent les neurites. Pour aborder ces difficultes, la these propose une approche en plusieurs etapes : detection du corps cellulaire, detection des neurites et reconstruction des neurites discontinues. De plus, la these propose un modele de graphe neuronal (Neuron Graph Model - NGM) fonde sur un graphe vectoriel (VG) dans lequel (1) les informations locales sont integrees dans une unique structure contenant les mesures morphologiques, (2) differents modeles de contours actifs peuvent être appliques aux differentes parties de la structure locale des neurones et (3) caracterisation et validation sont realisees via la conversion du NGM en Arbre Neuronal (Neuron Tree - NT). Des methodes specifiques sont abordees dans le cas ou les corps cellulaires ne peuvent pas être segmentes par des methodes de seuillage d'intensite. La detection de la ligne mediane des neurites constitue la partie principale de la these dans laquelle une nouvelle partial gestalt de detection des lignes medianes est proposee ainsi qu'une nouvelle energie de contours actifs pour faire evoluer les segments de lignes jusqu'a la ligne mediane des neurites. Enfin, une methode de reconstruction des neurites discontinues est proposee. Elle recherche et allonge les structure des neurites detectees iterativement grâce a des informations sur la morphologie locale des neurites issues de trois champs de vecteurs : le champ de vecteurs du tenseur de diffusion, les champs de vecteurs propres du hessien, et le champ de vecteur gradient diffuse (diffused gradient vector field). Les autres sujets d'interêts presentes sont la caracterisation et un cadre de validation de la methode de detection proposee. La caracterisation prend en compte des mesures de la morphologie locale et de la topologie, notamment la surface, le perimetre et la forme du corps cellulaire ainsi que la longueur, l'epaisseur et la connectivite globale des neurites. Nous proposons d'utiliser les arbres neuronaux derives des graphes de neurones ou des mesures locales et globales peuvent être obtenues. Les Arbres Neuronaux sont aussi utilises dans le framework de validation en mesurant la precision des methodes de detection sur un jeu d'images artificielles. En calculant recursivement la distance (tree edit distance) entre les sous-arbres de l'Arbre Neuronal des neurones artificiels d'une part et les sous arbres des neurones detectes d'autre part, la validation permet de mesurer les erreurs de detection dans la morphologie locale ainsi que dans la structure d'ensemble du neurone.

The main goal of the thesis is to propose a method for neuron detection and characterization applied to neuroscience studies in need of extracting global and local information regarding neuron morphology in two dimensional image slices acquired through fluorescence confocal microscopy. Difficulties faced in dealing with neuron detection for such images arise from morphological complexity of local neuronal structures and image data. For example, a neuron is composed of largely two distinct structures, cell body and neurite, which exhibit different morphological cues. However, numerous neuroscience studies often require for detection methods to distinguish the two structures (for the purpose of obtaining local morphometric measures) while retaining the overall structure (for the purpose of extracting global topological measures). This mandates extraction of neuronal structures requiring different detection methods. Furthermore, variabilities of local and global neuronal phenotype such as cell body shapes, sizes, neurite lengths, thicknesses, and curvatures along neurite structures hamper detection process. There also lies dificulties in regards to image data. Due to reasons such as photobleaching, poor localization, disruptions of protein functions, locally dead neurite structures, out-of-focus plane structures, local thinning of neurite structures, and/or strong background noise, intensity in relevant neuronal structures may be inconsistent. An ideal confocal neuron image contains cell body region distinguishable by significantly higher intensity values compared to its neurite structures. However, due to the listed reasons above, the cell body region may have similar or even lower contrast. Additionally, inconsistent intensity values may result in morphological cues that are similar to neurite structures inside cell body region and easily observable discontinuous neurites. In approaching such dificulties, the thesis presents methods in progressive stages of neuron detection including neuronal cell body detection, neurite structure detection, and discontinuous neurite reconstruction. In addition, it proposes a Vector Graph (VG) based Neuron Graph Model (NGM) in which (1) detected local structures are incorporated into a single structure withholding morphometric measures, (2) various active contour models may be applied to different parts of the local neuronal structures, and (3) characterization and validation are carried out through conversion of NGM to Neuron Tree (NT). For cell body detection, neuronal image data in which cell body region may not be segmented via intensity thresholding methods are addressed. Neurite centerline detection comprises the main part of the thesis where a new partial gestalt for centerline detection and a novel active contour energy is proposed for evolution of line segments to centerline of the neurite structures. A method for reconstructing discontinuous neurites iteratively searches and extends detected neurite structures by recovering the local curve structure cues from three vector fields: the diffusion tensor vector field, the Hessian eigenvector field, and the the diffused gradient vector field. Further topics of interest presented are characterization and validation framework for proposed neuron detection method. Characterization involves both local morphometric and global neurite topology analysis including cell body area, perimeter, shape, neurite length, thickness, and overall connectivity patterns of the neurite. We propose to use Neuron Tree derived from Neuron Graph where local and global measures may be obtained. Neuron Tree is also used in validation framework in measuring the accuracy of proposed detection method with a set of artificial neuron images. By recursively computing tree edit distance between subtrees of the Neuron Tree for artificial neuron image and subtrees of detected one, validation framework is able to measure detection errors in local morphometric and overall structural detection errors