Analyse quantitative de signaux de bioluminescence en imagerie préclinique

Quantitative analysis of bioluminescent signals in preclinical imaging

• Auteur / Autrice : Erwan Dereure
• Direction : Jean-Christophe Olivo-Marin, Elsa D. Angelini, Christophe Kervazo
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 12/04/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut Pasteur (Paris). Unité d'Analyse d'images biologiques
• Jury : Président / Présidente : Caroline Petitjean
• Jury : Examinateurs / Examinatrices : Bertrand Tavitian
• Jury : Rapporteur / Rapporteuse : Frédérique Frouin, Saïd Moussaoui

Mots clés

Mots clés contrôlés

Cancérologie

Factorisation

Séparation de sources (traitement du signal)

Bioluminescence

Imagerie médicale

Mots clés libres

Imagerie par bioluminescence

Séparation aveugle de sources

Factorisation en matrice non négative

Oncologie préclinique

Modèle pharmacocinétique

Région de référence

Bioluminescence imaging

Blind source separation

Non-Negative matrix factorization

Preclinical oncology

Pharmacokinetics model

Reference region

Résumé

L'imagerie par bioluminescence (BLI) est une technologie d'imagerie optique dans laquelle un organisme ou cellule vivant émet de la lumière à travers une réaction biologique substrat/enzyme sans aucune excitation lumineuse. Cette technologie, utilisée en oncologie préclinique afin de quantifier l'état des tumeurs de manière non invasive, est encore assez récente et, pour l'instant, les biologistes manquent d'outils de traitement automatisé pour améliorer la quantification des images. De plus, certains protocoles expérimentaux nécessitent l'extraction du flux de photons de plusieurs tumeurs situées sur le côté de l'animal. Cela peut être difficile et peut introduire des erreurs et des biais car la BLI souffre d'un manque de robustesse en raison d'une variabilité dans la vascularisation, ou des zones hypoxiques et nécrotiques au sein des tumeurs. Dans ce travail, nous proposons l'utilisation de la factorisation en matrices non négatives pour séparer le flux de photons de différentes tumeurs au sein de la même image de bioluminescence en tirant parti des différents patterns temporels pixel par pixel. Un tel démélange spatio-temporel présente plusieurs importants défis que nous avons relevés. Dans une première contribution, nous utilisons des connaissances préalables sur l'apparence des tumeurs et montrons l'importance de pénaliser la norme des coefficients d'ondelettes correspondant aux sources estimées pendant le processus d'optimisation afin d'obtenir une forte cohérence spatiale des tumeurs démêlées. Dans une deuxième contribution, nous traitons les fortes hétérogénéités au sein des tumeurs corrompant la séparation en présentant une chaîne de traitement dédiée pour pré-aligner le flux de photons des différents pixels. Nous montrons que la méthode résultante est capable d'extraire avec précision le flux de photons de différentes tumeurs présentes dans une seule image de bioluminescence. Ces algorithmes ont été testés et validés sur deux ensembles de données réelles de BLI et sur un ensemble de données synthétiques généré avec un simulateur d'image de bioluminescence que nous avons conçu et développé. Dans une troisième contribution, nous proposons un modèle de pharmacocinétique pour calibrer le flux de photons de la tumeur en fonction du signal de bioluminescence émis par un muscle. Cela nous permet d'extraire des paramètres physiologiques significatifs de l'image comme les taux d'échange de substrat. Nous montrons que ces paramètres représentent des caractéristiques significatives de l'état de la tumeur et peuvent être utilisés pour améliorer la quantification des images de bioluminescence.

Bioluminescence imaging (BLI) is an optical imaging technology in which a living organism or cell emits light through a biological substrate/enzyme reaction without any light excitation.This technology, used in preclinical oncology in order to quantify the tumor status in a non-invasive way, is still quite recent and for now biologists lack automated processing tools to improve the quantification of images. In addition, some experimental protocols require to extract the photon flux of multiple tumors on the same side of the animal. This can be difficult and can introduce errors and biases as BLI suffers from a lack of robustness because of a variability in vascularization, or hypoxic and necrotic zones within the tumors. In this work, we propose the use of Non-Negative Matrix Factorization to separate the photon flux of different tumors within the same bioluminescence image by leveraging the different pixel-wise temporal patterns. Such spatio-temporal unmixing yields several important challenges that we have tackled. In a first contribution, we use prior knowledge on the appearance of the tumors and show the importance of penalizing the norm of the wavelet coefficients corresponding to the sources estimated during the optimization process to obtain a high spatial consistency of unmixed tumors. In a second contribution we deal with strong heterogeneities within tumors corrupting the separation by presenting a dedicated pipeline for pre-aligning the photon flux of the different pixels. We show that the resulting method is capable of accurately extracting the photon flux of different tumors present within a single bioluminescence image. These algorithms were tested and validated on two real BLI datasets and on one synthetic dataset generated with a bioluminescence image simulator we designed and developed. In a third contribution, we propose a pharmacokinetics model to calibrate the tumor photon flux based on the bioluminescence signal emitted by a muscle. This allows us to extract meaningful physiological parameters from the image like substrate exchange rates. We show that these parameters represent significant features of the tumor state and can be used to improve the quantification of bioluminescence images.