Unité: Analyse d'Images Quantitative - URA CNRS 2582

Responsable: Olivo-Marin Jean-Christophe

L'activité de l'unité d'Analyse d'Images Quantitative est consacrée au développement de nouvelles méthodes pour le traitement et l'analyse d'informations visuelles produites en microscopie biologique. Notre objectif est de mettre au point des algorithmes permettant de quantifier de façon automatique les images produites dans le cadre de la recherche en biologie et de faciliter la compréhension des informations biologiques qu'elles contiennent. Nos thèmes de recherche principaux sont l'analyse multi-échelle par ondelettes, les modèles de contours actifs et de level sets, le tracking de spots fluorescents et la segmentation d'images couleur. Les recherches méthodologiques nous ont permis de développer des programmes pour l'analyse de la motilité et du changement de forme d'objets biologiques en mouvement, la poursuite et la trajectographie de spots fluorescents en microscopie dynamique, la quantification de fluorescence et l'analyse d'images couleur.

Analyse de mouvement et de forme

(C. Zimmer, A. Dufour, S. Berlemont, J.-C. Olivo-Marin)

Nous avons poursuivi nos travaux pour adapter les modèles de contours actifs aux besoins et spécificités de l'imagerie biologique et nous avons concentré nos efforts sur les contours actifs paramétriques couplés, les surfaces actives couplées et la détection d'objets quasi-circulaires avec des level-sets. Les contours actifs paramétriques standards sont bien adaptés au suivi d'objets isolés, mais n'arrivent pas à suivre plusieurs objets quand ceux-ci viennent en contact, ce qui constitue une limitation majeure pour le suivi de cellules. Dans des travaux précédents, nous avions proposé une solution basée sur des contours actifs couplés non-paramétriques (level-set), qui aide à maintenir la séparation entre cellules en contact mais qui est trop complexe d'un point de vue calculatoire pour être appliquée en routine sur de grandes séquences. Nous avons donc eu l'idée d'introduire le couplage entre contours actifs dans le formalisme des contours actifs paramétriques. Cela permet de combiner la possibilité de suivre des cellules en contact avec l'efficacité calculatoire des contours actifs paramétriques. De plus, nous utilisons désormais une méthode beaucoup plus robuste pour définir les frontières cellulaires, ce qui permet la segmentation de cellules floues en microscopie à fluorescence à bas niveau de signal.

La motilité et la morphologie cellulaires sont de plus en plus étudiées dans des environnements 3D naturels ou artificiels. Pour pouvoir suivre et segmenter des cellules dans des images 3D+T, nous avons donc développé une méthode basée sur des surfaces actives couplées. Ces travaux étendent nos travaux précédents de 2D en 3D et utilisent une hypothèse d'homéostasie cellulaire pour améliorer le traitement de cellules en contact.

Dans des images présentant de larges variations d'intensité, de couleurs ou de textures, il est recommandé voire nécessaire d'utiliser la notion de forme pour pouvoir détecter et extraire les objets d'intérêt (par exemple, cellules, nodules, vaisseaux dans des images d'histologie). Les contraintes de forme peuvent être incorporées dans les contours actifs attachés à des objets isolés, mais l'extension de ce schéma à un nombre a priori inconnu d'objets est difficile et reste encore non résolue. Nous avons cependant fait une avancée dans le cas spécifique mais important d'objets quasi-circulaires. La méthode proposée, entièrement automatique, permet une meilleure identification de structures rondes dans des images histologiques où les informations de couleur et de texture peuvent ne pas être suffisantes.

Ces thématiques sont appliquées en collaboration avec S. Blazquez et E. Labruyère (BCP, N. Guillén), et V. Shinin (CSD, S. Tajbaksh).

Tracking et trajectographie de taches dans des images de microscopie 4D

(A. Genovesio, F. Ollivier, J.-C. Olivo-Marin)

L'étude de la motilité de cellules et de pathogènes en biologie requiert l'emploi de méthodes informatiques pour permettre l'analyse quantitative de larges quantités de données. Nous avons développé une méthode pour détecter et poursuivre, dans des séquences d'images en microscopie à fluorescence, des objets biologiques en mouvement suivant différents modèles dynamiques. Elle permet pour la première fois de réaliser la détection et le suivi d'objets microscopiques directement dans des données de microscopie tri-dimensionnelle. La méthode comprend trois étapes : 1) détection des objets par une transformée en ondelettes tri-dimensionnelle, 2) établissement de plusieurs prédictions de l'état de chaque objet dans l' image suivante selon différents modèles, et 3) association entre prédictions et observations sur la nouvelle image suivant un critère de maximum de vraisemblance. Les données obtenues de manière automatique peuvent par la suite être analysées pour en extraire des informations spatio-temporelles de nature statistique, telles que la classification par type de mouvement ou la co-localisation, ou encore de nature dynamique telle que la vitesse ou le déplacement. Les performances de la méthode ont été évaluées favorablement sur des données synthétiques et sur des données réelles en collaboration avec différents groupes de biologie.

Analyse de taches dans des images d'immunofluorescence

(A. Genovesio, B. Zhang, J.-C. Olivo-Marin)

La quantification d'images en immunofluorescence requiert soit la détection et le comptage automatiques de taches (spots) qui sont superposées à des objets biologiques, le plus souvent sur un arrière-plan d'aspect variable, soit la délimitation de compartiments cellulaires de dimensions plus importantes. Pour analyser ces images de manière quantitative, rapide et reproductible, nous avons développé des méthodes de détection et de caractérisation de taches. D'un point de vue algorithmique, le problème de la détection de taches est abordé sous l'angle d'un processus de génération et de recombinaison d'éléments de réponses multi-résolutions. L'étape de génération consiste à ne garder, à chaque niveau d'une représentation en ondelettes, que les réponses significatives du filtre détail à support local, après seuillage adaptatif. L'étape de recombinaison est effectuée en calculant, pour chaque position spatiale dans l'image, un coefficient de corrélation locale des coefficients d'ondelettes pré-filtrés. Cette méthode permet la détection de taches aussi bien dans des images 2D que dans l'espace 3D. Notre programme est utilisé par de nombreux groupes de biologie pour quantifier des images de spots.

Segmentation d'images couleur en hystologie et cytologie

(V. Meas-Yedid, E. Glory, J.-C. Olivo-Marin)

Les récents progrès technologiques démocratisent l'acquisition d'images couleur en biologie et les demandes d'analyse automatique d'images se multiplient. Chaque application nécessite le choix d'une méthode de segmentation et d'un espace couleur appropriés à la problématique. Pour faciliter la sélection d'une combinaison adaptée, nous avons testé les critères proposés par Liu et Borsotti qui évaluent automatiquement la qualité d'une segmentation couleur. Comme ils ne répondent pas correctement à nos attentes, nous avons proposé deux critères adaptés à deux applications biologiques différentes. En pénalisant l'hétérogénéité des régions, les petites régions trop nombreuses et les régions mal classées, les critères que nous proposons aident à sélectionner les méthodes de segmentations et les espaces couleur les plus pertinents pour les expériences biologiques.

Pour permettre de caractériser les images histopathologiques présentant différentes colorations, nous avons choisi pour ses performances (qualité/rapidité) l'algorithme de quantification de Brun consistant à réduire le nombre de couleurs et à les regrouper selon la moyenne la plus proche à l'aide d'une approche découpe-fusion dans un espace de couleur donné. Nous avons ainsi défini un critère qui permet de sélectionner le meilleur espace couleur en fonction de la coloration utilisée. Cette méthode a été appliquée avec succès sur deux études : la quantification de cellules immunitaires dans le foie de souris infectées par l'hépatite B et la quantification de la fibrose interstitielle de biopsie de rein transplanté. Dans la première étude, comme les cellules immunitaires sont marquées en rouge, nous avons calculé la surface totale des pixels rouges sur la surface totale du foie pour caractériser la réponse immunitaire. Ce travail est fait en collaboration avec Hôpital Necker à Paris. Dans la seconde étude, après extraction de tous les pixels verts, nous ne conservons que les pixels constitutifs de la fibrose, en supprimant les autres éléments vert : la membrane basale, la capsule, la médulaire, et les glomérules. Ces derniers sont identifiés à l'aide de critères de couleur (vert plus intense), de forme et de position. Le rapport de la surface de fibrose interstitielle sur la surface de biopsie est calculé comme index de fibrose interstitielle. Les résultats obtenus sont en accord avec les valeurs fournies par un expert. Ce project a été réalisé dans le cadre du PTR Analyse d'image quantitative du greffon renal avec Dr E. Morélon (service de transplantation rénale de l' Hôpital Necker à Paris) et est étendue à d'autres études cliniques.

Dans le but caractériser l'influence des conditions de culture sur la croissance des myoblastes humains, une plate-forme d'analyse automatique d'images a été développée. L'acquisition des images est réalisée par un logiciel qui contrôle le microscope inversé, la platine motorisé et la camera couleur. Les images couleur sont segmentées par un algorithme (breveté) simple qui quantifie de manière automatique et objective le nombre de cellules. Ensuite, les données sont traitées pour évaluer les caractéristiques de croissance de la population cellulaire (temps de doublement, taille et morphologie des noyaux). Cet outil est fonctionnel et utilisé en collaboration avec la start-up Cellogos.

Mots-clés: Traitement d’images, mouvement, forme, microscopie, analyse d’image couleur, contours actifs, level sets , ondelettes, filtre de Kalman, filtres probabilistes d’association de données


Rapports d'activité 2004 - Institut Pasteur
filet

Debut de Page recherche Portail Institut Pasteur

En cas de problèmes, de remarques, ou de questions concernant cette page Web écrire à rescom@pasteur.fr