Automatic segmentation of single mouse brain slices using 3D digital atlases
Segmentation automatique de coupes individuelles de cerveaux de souris par atlas numérique 3D
Résumé
Understanding the mechanisms involved in neurodegenerative diseases relies on the analysis of multimodal brain imaging data in experimental models. Histology is the goal standard in preclinical research, and many studies are carried out with the mouse model. In this context, a significant challenge is to precisely identify the brain anatomical regions in order to perform accurate local quantifications at the microscopic scale characterization of pathological mechanisms, evaluation of new therapies). Most of the time, this task is performed manually, becoming therefore long, tedious and not reproducible. An alternative is to segment the brain imaging data using a digital brain atlas which is registered to the data to be analyzed. The use of such 3D algorithms on reconstructed volumes requires the production and acquisition of a large number of slices. However, most histological studies only lead to the production of a few individual sections that do not allow this 3D reconstruction. In this case, no automatic neither reproducible solution exists for the segmentation of 2D sections within a 3D atlas. This work aims at answering this problem by proposing a fully automated method for atlas segmentation of one or several individual mouse brain slice(s) in a multimodal context. The giRAff method we propose is based on an exploratory approach using linear registration with increasing degrees of freedom coupled to a similarity metric. Its use has been validated for three medical imaging modalities in multi-subject studies: brains acquired with light sheet fluorescence microscopy, brains acquired with a scanner in histology, and brains acquired with anatomical MRI and CEST. Our method is automatic and takes advantage of computational distribution techniques. Results including robust and reproducible slice identification were produced during this work and the quality of segmentations of anatomical regions is comparable to those from experts.
La compréhension des mécanismes impliqués dans les maladies neurodégénératives repose sur l'analyse de données multimodales d’imagerie de cerveaux dans des modèles expérimentaux. L’histologie conventionnelle fait figure de référence en recherche préclinique, et de nombreuses études sont réalisées sur le modèle murin. Dans ce contexte, un enjeu majeur consiste à identifier précisément les régions anatomiques du cerveau afin de réaliser des quantifications locales précises à l’échelle microscopique (caractérisation de mécanismes pathologiques, évaluation de nouvelles thérapies). La plupart du temps, cette tâche est effectuée manuellement, ce qui la rend longue, fastidieuse et peu reproductible. Une alternative est de segmenter les données d’imagerie cérébrale en utilisant un atlas numérique du cerveau qui est mis en correspondance par recalage avec les données à analyser. L'utilisation de tels algorithmes en 3D sur des volumes reconstruits nécessite la production et la numérisation d’un grand nombre de coupes. Cependant, la plupart des études en histologie ne conduisent qu’à la production de quelques coupes individuelles ne permettant pas cette reconstruction 3D. Dans ce cas, il n'existe aucune solution de segmentation de coupes 2D par atlas 3D qui soit automatique et reproductible. Ces travaux de thèse visent à répondre à cette problématique en proposant une méthode entièrement automatique de segmentation par atlas d’une ou plusieurs coupe(s) individuelle(s) de cerveaux de souris dans un cadre multimodal. La méthode giRAff que nous proposons est basée sur une approche exploratoire par recalage linéaire à degrés de libertés croissants couplée à une métrique de similarité. Son utilisation a été validée pour trois modalités d’imagerie médicale dans le cadre d’études multi-sujets : des cerveaux transparisés et numérisés par microscopie à feuille de lumière, des coupes de cerveaux produites en histologie conventionnelle et numérisées au scanner à plat, et enfin des cerveaux acquis en IRM anatomique et CEST. Notre méthode est automatique et tire bénéfice de techniques de distribution des calculs. Des résultats d’identification de coupes robustes et reproductibles ont été produits au cours de ces travaux et la qualité des segmentations sous la forme de régions anatomiques est comparable à celle d’experts.
Origine : Version validée par le jury (STAR)