Rapport de Stage Modélisation de l’information spatiale dans des images 3D biomédicales Encadrants : Auteur : Thomas Boudier (UPMC) Tran Thi Nhu Hoa Ludovic Roux (IPAL) Master 2 - Systèmes Intelligents et Multimédia Institut de la Francophonie pour l’Informatique Septembre 2014 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Remerciements Je tiens à remercier dans un premier temps, mon encadrant de stage, Monsieur Thomas Boudier, pour m’avoir accueilli au sein de l’équipe, pour son soutien tout au long du stage, sa disponibilité, et ses conseils nombreux et éclairés. Je remercie également Monsieur Ludovic Roux, Monsieur Lu Shijian pour m’avoir aidé à me familiariser avec l’environnement de recherche à IPAL, ses conseils mais surtout pour sa gentillesse et son implication dans mon stage. Sans oublier mes amis du bureau des étudiants IPAL, pour l’accueil chaleureux, pour l’ambiance de travail très amicale. Merci enfin à Mme Coralie Hunsicker pour m’avoir aidé à résoudre toutes les démarches administratives difficiles qui ont permis la réalisation de mon stage.
Tran Thi Nhu Hoa LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières Contents iii List of Figures v 1 Introduction 1 1.2 Objectif du stage .1 Contexte du travail .2 Objectif du stage. 3 2 État de l’art 5 2.1 Rappel de biologie .1 Structure de la cellule .2 Cancer du sein .3 Diabète et insuline .2 Analyse de l’organisation spatiale .2 Analyse à l’échelle locale .3 Analyse à l’échelle globale .2 Fonctions d’estimation de la distribution .3 Estimation de la distance .2 Distances géodésiques .4 Environnement logiciel utilisé .1 Modélisation de la structure d’une cellule .2 Modélisation à l’échelle locale .1 Forme analytique de la cellule .2 Formes complexes de la cellule .3 Modélisation à l’échelle globale .4 Modélisation à multi-échelles .5 Langage de description de l’organisation spatiale. 42 4 Résultat & Discussion 46 4. 46 iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières iv 4.1 Résultat de modélisation de la structure d’une cellule .2 Résultat de modélisation de la distribution de vésicules dans une cellule .3 Résultat des expérimentations à multi-échelles .4 Résultat de génération aléatoire des positions des cellules .2 Conclusion et Perspective.
53 Bibliographie 55 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des figures 1.1 Image & Pervasive Access Lab (IPAL) logo.2 Étapes du cancer du sein : Normal cells, Ductal hyperplasia - trop de cellules. Atypical ductal hyperplasia - trop de cellules qui commencent à apparaı̂tre anormale (également connu sous le nom ADH) .Ductal carci- noma in situ - trop de cellules qui se développent comme un cancer mais sont encore confinés à l’intérieur du conduit (DCIS). DCIS-MI (DCIS avec micro-invasion) - plusieurs sous-types de DCIS, certains plus graves que d’autres. Invasive ductal cancer - L’état incontrôlé des cellules qui ont passé à travers des barrières tissulaires normales.3 Les ı̂lots de Langerhans (A-D) Les micrographies confocales montrent des ı̂lots pancréatiques de Langerhans à partir de sections chez l’humain (A), le singe (B), la souris (C) et le cochon (D).
L’insuline immunoréactive (rouge) - β cellule, glucagon immunoréactive (vert) - α cellule, et la somatostatine-immunoréactives (cellules bleues - δ cellule) (d’après [1]) .4 Les relations RCC5D et RCC8D. Les régions sont représentées en des cercles 2 dimentions (l’objet plus lumineux est X et l’objet foncé est Y).5 La correspondance de Discrete Méréotopologie et Morphologie Mathématique, défini dans RCC8D (d’après [2]).6 Algorithme de détection des relations spatiales entre les régions. Cet al- gorithme 0, 1 est codée pour l’image X et 0, 2 est codé pour Image Y (0 est le plan arrière, le fond et 1, 2 représente la région pixels). L’histogramme de la somme (X + Y) ne contient que valeurs de 0 (fond), 1 (région X), 2 (région Y), ou 3 (ces deux régions occupent l’emplacement de ce pixel) et il peut être utilisé pour trouver la relation RCC5D entre les régions.
Par exemple si le nombre de pixels de l’histogramme 1 et 2 (les valeurs de régions X et Y) sont tous égaux à 0 et la somme S (valeur égal à 3) est supérieure à 0, la relation est EQ (d’après [2]).7 Exemple : Illustration 2D de l’extraction de compartiment Promyelocy- tic Leukemia (PML) (l’image extraite à partir de l’article de David J. A) l’image d’origine B) PML est segmenté à partir de cette image. C) Chaque noyau est remplacé par son centre de gravité. Une question que nous pouvons poser, les composants (en vert ) PML sont distribuées au hasard ou ont des relations les uns aux autres.8 Différents types de distribution spatiale.
Les positions peuvent être uni- formément et indépendamment distribués (complètement aléatoire modèle), ou attraction mutuelle (modèle agrégé) ou répulsion mutuelle (modèle régulier, uniforme) (d’après [4]). 15 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des figures vi 2.9 G-function, les points observés - événements (events en anglais) : 1, 2, 3,.,12 dans une région d’étude. Pour chaque événement, nous avons trouvé leur voisin avec la plus proche de distance possible (nearest neigh- bor). Par exemple : le plus proche de l’événement 1 est l’événement 10 avec la distance rmin = 25.10 Graphe du G-function.
La forme de function G nous présente la façon dont les événements sont espacées dans un modèle (pattern) de points.11 La F-function est la function de distribution cumulée de la distance entre les points qui ont été géneré aléatoirement dans la région d’étude (croix bleues) et leur plus proche événement (points observés - des cercles dans la figure) (d’après [5]) .12 Le résultat SDI du F-function (graphe en couleur noire) est la mesure de la distance du vide dans la région d’étude. Cette distance a la tendance à être grande pour le modèle agrégé et plus petite pour le modèle régulier. Si le graphe de F-function est situé entre deux graphes avec les valeurs de confiance 5% et 95%, des événement ont la distribution aléatoire. Si cette graphe est situé au-dessous du graphe de 5%, c’est-à-dire une distribution agrégé (cluster) et au-dessus du graphe de 95%, c’est-à-dire régularité (uniformité) des événements dans la région d’étude.13 Le processus de production de carte de distance pour chaque image.14 Exemple du calcul de la carte de distance Euclidienne .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 carré de sorte que seules les valeurs entières sont stockées.16 Exemple du calcul de la carte de distance géodésique, résultat obtenu en appliquant la fonction ’geodesic’ dans le plugin ’geodesic distance map’ sous le logiciel ImageJ.17 ImageJ - logiciel d’analyse et de traitement d’image.1 Schéma de la structure d’une cellule.2 Illustration du calcul 8 relations RCC8 (DC, EC, PO, EQ, TPP, NTPP, TPPi, NTPPi) .3 Illustration du résultat de l’algorithme 2 en 2D. Des relations spatiales entre les objets S1 , S2 , ., Sn et entre ces objets et le domaine de recherche P sont présentés dans la table de relation.
Notre but est de produire aléatoirement ces objets dans le domaine de recherche P et satisfaire ces règles de relation.4 Comparaison deux méthodes de production d’un modèle spatial .5 Illustration du résultat de la fonction TPPi 3 calcul du domaine TPPi possible .6 Illustration de l’algorithme 4 : calcul du domaine DC possible .7 Étapes d’implémentation de l’algorithme 5.8 Illustration de l’algorithme 6 : calcul du domaine de distribution en se basant sur le paramètre de distribution α. 36 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des figures vii 3.9 Illustration d’une étape d’implémentation de l’algorithme 7 pour produire un modèle agrégé (cluster). État initial : domaine de recherche P + un objet S1 existant, le but est de génerer un objet S2 qui est associé avec S1 , à l’extérieur de S1 .10 Scénario 1 : dans la modélisation de la structure d’une cellule, les vésicules S1 , S2 , ., Sn sont à l’intérieur de noyau N : le noyau est à l’intérieux de cellule P , les vésicules sont à l’intérieur de noyau et les vésicules sont disconnectés les uns aux autres. Si TPPi N , Si (DC, EC) Sj , Si TPPi P .11 Scénario 2 : dans la modélisation de la structure d’une cellule, les vésicules S1 , S2 , ., Sn sont à l’intérieur de cytoplasme : les vésicules sont à l’intérieur de la cellule P , l’extérieur du noyau N.
Si TPPi P , Si (DC, EC) Sj , Si DC N .12 Scénario 3 : dans la modélisation de la structure d’une cellule, les vésicules S1 , S2 , ., Sn sont à l’intérieur du cytoplasme P et à l’intérieur ou l’extérieur du noyau N. Si TPPi P , Si DC, EC Sj , Si DC N ou Si TPPi N .13 Scénarios 4 : dans la modélisation de la structure des cellules, la première étape du cancer du sein (voir la section 2., Sn , plusieurs cellules ont la connexion externe. Si EC Si+1 , Si TPPi P .14 Scénario 5 : dans la modélisation globale, les vésicules S1 , S2 , ., Sn sont distribués aléatoirement dans le domaine de recherche P. Si TPPi P , S Rdistribution ∈ {random} .15 Scénario 6 : dans la modélisation globale, les vésicules S1 , S2 , ., Sn sont distribués régulièrement.
(repulsion, uniform), chaque vésicule est le plus S loin possible des autres. Si TPPi P , Rdistribution ∈ {unif orm} .16 Scénario 7 : dans la modélisation globale, les vésicules S1 , S2 , ., Sn sont clusterisé (modèle agrégé). Il s’agit des centroids (des vésicules attirent l’attention des autres) et des autres ont été attirés par les centroids. Si S TPP P , Rdistribution ∈ {clustered} .17 Scénario 8 : dans la modélisation des protéins : les protéins A sont dis- tribués aléatoirement, les protéins B sont colocalisés avec les protéins A, B disjoint A.
Comment trouver la distribution des protéins B ? Rdistribution A B ∈ {random}, B DC A, A, B TPP P , Rdistribution ? .18 Scénario 9 : dans la modélisation des protéins : les protéins A sont dis- tribués aléatoirement, les protéins B sont colocalisés avec les protéins A, B et A se touchent. Comment trouver la distribution des protéins B ? A Rdistribution ∈ {random}, B EC A, A, B TPP P , Rdistribution B ? .19 Scénario 10 : des clusters en membrane, les vésicules S1 , S2 , ., Sn sont ont la connection intérieure du membrane. Le problème est comment génèrer un modèle satisfaisant ces règles spatiaux ? Si TPP P , Rdistribution S ∈ {clustered}.20 La conception globale des objets. Il s’agit de cinq objets, structures prin- cipaux : image, algorithme, request, mereo-topologie, structure.21 La conception globale des objets et des relations entre les objets.
Cette conception fait le lien entre les objets, strutures et répondre à la question comment cette connaissance structurelle et spatiale peut être utilisée pour guider l’interprétation d’images. 44 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des figures viii 3.22 Implémentation du langage de description de l’organisation spatiale n3. Initialement, nous avons défini les ontologies, des règles, et des queries. Ensuite, l’exécution le logiciel EYE Engine sur ces fichiers n3, nous avons obtenu un fichier du résultat.
Après, nous avons utilisé un programe Java pour lire les structures dans le fichier du résultat n3 et obtenu des relations logiques. Enfin, nous avons exécuté le programe sur des images d’entrée et des requêtes, obtenu des images de sortie.1 L’interface du programme - un plugin ”3D Statistic” avec des options sous le logiciel ImageJ (2.2 Choisir l’option 3D Aggregated Pattern dans le plugin ”3D Statistic” sous le logiciel ImageJ (2.4), une fênetre pour saisir des paramètres d’entrée comme le nombre des clusters, la taille de la cellule.3 Résultat de génération d’un modèle spatial dans le scénario 3.