Modélisation de linformation spatiale dans des images 3d biomédicales

Rapport de Stage Modelisation de l’information spatiale dans des images 3D biomedicales Encadrants : Auteur : Tran Thi Nhu Hoa Thomas Boudier (UPMC) Ludovic Roux (IPAL) Master - Systemes Intelligents et Multimedia Institut de la Francophonie pour l’Informatique Septembre 2014 Remerciements Je tiens a remercier dans un premier temps, mon encadrant de stage, Monsieur Thomas Boudier, pour m’avoir accueilli au sein de l’equipe, pour son soutien tout au long du stage, sa disponibilite, et ses conseils nombreux et eclaires Je remercie egalement Monsieur Ludovic Roux, Monsieur Lu Shijian pour m’avoir aide a me familiariser avec l’environnement de recherche a IPAL, ses conseils mais surtout pour sa gentillesse et son implication dans mon stage Sans oublier mes amis du bureau des etudiants IPAL, pour l’accueil chaleureux, pour l’ambiance de travail tres amicale Merci en n a Mme Coralie Hunsicker pour m’avoir aide a resoudre toutes les demarches administratives di ciles qui ont permis la realisation de mon stage Tran Thi Nhu Hoa Table des matieres Contents List of Figures Introduction 1.1 Introduction 1.1.1 Objectif du stage 1.2.1 1.2.2 1.2 Etat de l’art 2.1 Rappel de biologie 2.1.1 2.1.2 2.1.3 Analyse de l’organisation spatiale 2.2.1 2.2.2 2.2.3 2.2 2.3 Estimation de la distance 2.3.1 2.3.2 Environnement logiciel utilise 2.4 Implementation 3.0.1 3.0.2 3.0.3 3.0.4 3.0.5 Resultat & Discussion 4.1 Resultat iii Table des matieres 4.2 Conclusion et Perspective Bibliographie Table des gures 1.1 Image & Pervasive Access Lab (IPAL) logo 2.2 Etapes du cancer du sein : Normal cells, Ductal hyperplasia - trop de cellules Atypical ductal hyperplasia - trop de cellules qui commencent a appara^tre anormale (egalement connu sous le nom ADH) Ductal carcinoma in situ - trop de cellules qui se developpent comme un cancer mais sont encore nes a l’interieur du conduit (DCIS) DCIS-MI (DCIS avec micro-invasion) - plusieurs sous-types de DCIS, certains plus graves que d’autres Invasive ductal cancer - L’etat incontr^ole des cellules qui ont passe a travers des barrieres tissulaires normales 2.3 Les ^lots de Langerhans (A-D) Les micrographies confocales montrent des ^lots pancreatiques de Langerhans a partir de sections chez l’humain (A), le singe (B), la souris (C) et le cochon (D) L’insuline immunoreactive (rouge) - cellule, glucagon immunoreactive (vert) - cellule, et la somatostatine-immunoreactives (cellules bleues - cellule) (d’apres [1]) 10 2.4 Les relations RCC5D et RCC8D Les regions sont representees en des cercles dimentions (l’objet plus lumineux est X et l’objet fonce est Y) 12 2.5 La correspondance de Discrete Mereotopologie et Morphologie Mathematique, de ni dans RCC8D (d’apres [2]) 12 2.6 Algorithme de detection des relations spatiales entre les regions Cet algorithme 0, est codee pour l’image X et 0, est code pour Image Y (0 est le plan arriere, le fond et 1, represente la region pixels) L’histogramme de la somme (X + Y) ne contient que valeurs de (fond), (region X), (region Y), ou (ces deux regions occupent l’emplacement de ce pixel) et il peut ^etre utilise pour trouver la relation RCC5D entre les regions Par exemple si le nombre de pixels de l’histogramme et (les valeurs de regions X et Y) sont tous egaux a et la somme S (valeur egal a 3) est superieure a 0, la relation est EQ (d’apres [2]) 13 2.7 Exemple : Illustration 2D de l’extraction de compartiment Promyelocytic Leukemia (PML) (l’image extraite a partir de l’article de David J Weston, voir [3]) A) l’image d’origine B) PML est segment a partir de cette image C) Chaque noyau est remplac par son centre de gravite Une question que nous pouvons poser, les composants (en vert ) PML sont distribuees au hasard ou ont des relations les uns aux autres 14 2.8 Di erents types de distribution spatiale Les positions peuvent ^etre uniformement et independamment distribues (completement aleatoire modele), ou attraction mutuelle (modele agrege) ou repulsion mutuelle (modele regulier, uniforme) (d’apres [4]) 15 v Liste des gures vi 2.9 G-function, les points observes - evenements (events en anglais) : 1, 2, 3, ,12 dans une region d’etude Pour chaque evenement, nous avons trouve leur voisin avec la plus proche de distance possible (nearest neighbor) Par exemple : le plus proche de l’evenement est l’evenement 10 avec la distance rmin = 25:59 (d’apres [5]) 16 2.10 Graphe du G-function La forme de function G nous presente la facon dont les evenements sont espacees dans un modele (pattern) de points (d’apres [5]) 16 2.11 La F-function est la function de distribution cumulee de la distance entre les points qui ont et gener aleatoirement dans la region d’etude (croix bleues) et leur plus proche evenement (points observes - des cercles dans la gure) (d’apres [5]) 17 2.12 Le resultat SDI du F-function (graphe en couleur noire) est la mesure de la distance du vide dans la region d’etude Cette distance a la tendance a ^etre grande pour le modele agreg et plus petite pour le modele regulier Si le graphe de F-function est situe entre deux graphes avec les valeurs de ance 5% et 95%, des evenement ont la distribution aleatoire Si cette graphe est situe au-dessous du graphe de 5%, c’est-a-dire une distribution agreg (cluster) et au-dessus du graphe de 95%, c’est-a-dire regularit (uniformite) des evenements dans la region d’etude 17 2.13 Le processus de production de carte de distance pour chaque image 19 2.14 Exemple du calcul de la carte de distance Euclidienne 20 2.15 Exemple du calcul de la transformation de distance En (a) : image binaire noir et blanc En (b), il s’agit de la distance euclidienne de chaque pixel au pixel noir le plus proche Les valeurs de distance est au carre de sorte que seules les valeurs entieres sont stockees 21 2.16 Exemple du calcul de la carte de distance geodesique, resultat obtenu en appliquant la fonction ’geodesic’ dans le plugin ’geodesic distance map’ sous le logiciel ImageJ 21 2.17 ImageJ - logiciel d’analyse et de traitement d’image 22 3.1 Schema de la structure d’une cellule 25 3.2 Illustration du calcul relations RCC8 (DC, EC, PO, EQ, TPP, NTPP, TPPi, NTPPi) 26 3.3 Illustration du resultat de l’algorithme en 2D Des relations spatiales entre les objets S1; S2; :::; Sn et entre ces objets et le domaine de recherche P sont presentes dans la table de relation Notre but est de produire aleatoirement ces objets dans le domaine de recherche P et satisfaire ces regles de relation 29 3.4 Comparaison deux methodes de production d’un modele spatia 3.5 Illustration du resultat de la fonction TPPi calcul du domaine possible 3.6 Illustration de l’algorithme : calcul du domaine DC possible 3.7 Etapes d’implementation de l’algorithme 3.8 Illustration de l’algorithme : calcul du domaine de distribution basant sur le parametre de distribution Liste des gures 3.9 Illustration d’une etape d’implementatio un modele agreg (cluster) Etat initial : domaine d 3.10 3.11 3.12 3.13 3.14 objet S1 existant, le but est de generer S1, a l’exterieur de S1 Scenario : dans la modelisation de la s S1; S2; :::; Sn sont a l’interieur de noya cellule P , les vesicules sont a l’interieu disconnectes les uns aux autres Si TP P 39 Scenario : dans la modelisation de la s S1; S2; :::; Sn sont a l’interieur de cytopla de la cellule P , l’exterieur du noyau N DCN 39 Scenario : dans la modelisation de la S1; S2; :::; Sn sont a l’interieur du cytopl du noyau N Si TPPi P , Si DC, EC Sj, Scenarios : dans la modelisation de la etape du cancer du sein (voir la section plusieurs cellules ont la connexion exte Scenario : dans la modelisation globa distribues aleatoirement dans le domaine de R distribution 3.15 S Scenario : dans la modelisation globa distribues regulierement (repulsion, un loin possible des autres S TPPi P , R i 3.16 distribu Scenario : dans la modelisation globa clusteris (modele agrege) Il s’agit des l’attention des autres) et des autres on TPP P , R S distribution 3.17 Scenario : dans la modelisation des tribues aleatoirement, les proteins B so disjoint A Comment trouver la distribution des p 3.18 frandomg, B DC A, A; B TPP P , Rdis Scenario : dans la modelisation des tribues aleatoirement, les proteins B so B et A se touchent Comment trouver la R A distribution 3.19 3.20 3.21 Scenario 10 : des clusters en membrane, la connection interieure du membrane un modele satisfaisant ces regles spati fclusteredg La conception globale des objets Il s’a cipaux : image, algorithme, request, m La conception globale des objets et de conception fait le lien entre les objets, comment cette connaissance structurell guider l’interpretation d’images Liste des gures 3.22 Implementation du langage de descrip Initialement, nous avons de ni les onto Ensuite, l’execution le logiciel EYE Eng obtenu un chier du resultat Apres, no pour lire les structures dans le chier du logiques En n, nous avons execut le p et des requ^etes, obtenu des images d 4.1 L’interface du programme - un plugin " sous le logiciel ImageJ (2.4) Choisir l’option 3D Aggregated Pattern le logiciel ImageJ (2.4), une f^enetre p comme le nombre des clusters, la taille Resultat de generation d’un modele spa s’agit de vesicules sont a l’interieur d de la cellule Resultat de generation d’un modele spa dimentions Il s’agit de 10 vesicules so l’exterieur du noyau Le noyau est a l’in Resultat de generation d’un modele spa dimentions Il s’agit de 13 vesicules so a l’exterieur du noyau, vesicules son l’interieur du noyau Le noyau est a l’in Resultat dans la modelisation d’une ce de vesicules qui sont a l’interieur de Resultat de generation du modele des etape du cancer du sein (voir la section Resultat de generation du modele spa bale en execution le plugin 3D Statistic nous avons obtenu trois modeles de di scenarios (3.0.4, 3.0.4, 3.0.4) Le grap la gure (A) est situe entre deux graphe la valeur de ance de F-function SD distribution aleatoire - les vesicules ale est situe au-dessous du graphe de 5% function SDI = 0.02, c’est-a-dire la dist terises) Le graphe de F-function (la co de 95% avec la valeur de ance de la gure (C), c’est-a-dire regularit (unifo dans la region d’etude Les resultats o spatiaux a et produit correctement Resultat de generation du modele spat correspond au scenario (3.0.4) - cluste Les di erents types de cellules , , a l’o est produite par les cellules en couleu par les cellules en couleur verte, la so cellules en couleur bleu Le resultat de generation aleatoire les en couleur bleu, en couleur rouge, e 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 Liste des gures 4.12 Resultat du F-function (le graphe en couleur bleu) et resultat du Gfunction (le graphe en couleur rouge) en estimant la distribution des cellules dans propositions d’organisation spatiale La valeur SDI de F-function dans cas : n1 = 0:98, n2 = 0:98, n3 = 0:35, n4 = 0:87, n5 = 0:87 C’est-a-dire dans deux premiers cas, les cellules sont clusterise, les autres cas, les cellules sont generes aleatoirement 53 ix Function genererElementPerCluster(listeCentroid C, n) foreach ci C iteration = ; ; listeVesiculesClusterCi Ei= ; ; listeVesiculesClusterCi Ei ajouter ci ; while iteration