Unité: Analyse d'Images Quantitative - URA CNRS 2582

Responsable: Olivo-Marin Jean-Christophe

Les activités de recherche de l'unité d'Analyse d'Images Quantitative (AIQ) sont dédiées au développement de 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 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 3D+t, la quantification de fluorescence et l'analyse d'images couleur.

Analyse de mouvement et de forme

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

La base méthodologique de ces travaux est l'approche des " modèles déformables " ou " contours actifs ". Nous avons emprunté cette approche à la recherche en vision par ordinateur, où elle est très répandue et a engendré un grand nombre d'applications et d'adaptations. Les contours actifs sont des courbes mathématiques employées pour représenter les contours d'un objet. Elles évoluent itérativement sous l'action de "forces" calculées à partir de l'image et de propriétés géométriques internes. Plus précisément, l'évolution des courbes est régie par une équation conçue pour minimiser une fonction mathématique de la courbe, habituellement appelée l'"énergie". Cette énergie est un ingrédient essentiel de la méthode, et plusieurs développements décrits ci-dessous sont des modifications de cette énergie.

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, J.-C. Olivo-Marin)

D'une manière générale, la poursuite d'objets mobiles peut être vue comme la combinaison de plusieurs étapes: 1) détection, qui consiste à effectuer une mesure significative d'un signal généralement bruité; 2) estimation, qui consiste à comparer la mesure réelle à une prédiction de son état le plus probable donné par un modèle ou une information a priori; 3) association, pour trouver la meilleure correspondance entre les nouvelles détections et les estimations prédites.

Nous avons développé et mis au point des procédures qui permettent de traiter les étapes évoqués plus haut et sont utilisées pour effectuer le suivi de multiples tâches brillantes dans des scènes de vidéo microscopie 3D+t en biologie. L'étude quantitative de la motilité et des propriétés dynamiques des particules marquées par fluorescence permet le calcul d'informations spatio-temporelles de nature statistique comme leur nombre, leur position et distribution spatiale, ou de nature dynamique comme leur vitesse, phases de mouvement et coefficients de diffusion qui sont employés pour caractériser le mouvement des particules. Les performances de nos méthodes ont été évaluées favorablement sur des données synthétiques et sur des données réelles en collaboration avec N. Arhel (VMV, P. Charneau) et E. Merey et G. Duménil (INSERM, CHU Necker, Unité de pathogénie des infections systématiques, X. Nassif).

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, John Ettedgui, J.-C. Olivo-Marin)

Dans le contexte de nos travaux sur la segmentation d'images couleur pour des applications en histopathologie et cytologie, nous avons développé un projet portant sur l'évaluation de la qualité des segmentations d'images de cellules ou de tissus colorés, et observés en microscopie optique. Nous avons proposé un nouveau critère basé sur l'homogénéité de la couleur des régions segmentées et la pénalisation des petites régions. Ce critère nous a permis d'améliorer notablement la robustesse des segmentations à la variabilité du marquage en couleur et de l'architecture de tissus histologiques et à diminuer de façon notable les taux d'erreurs dans des applications de comptage automatique de cellules en culture. Nous avons également développé un plug-in permettant de représenter et interagir avec la distribution des couleurs d'une image dans un espace de couleurs 3D. Ce module apporte une grande aide pour l'évaluation et la validation des segmentations automatiques.

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 Celogos.

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 2005 - 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