Luận văn tối ưu hóa thuật toán recalage đàn hồi 3D Free Form Deformation

Luận văn thạc sĩ về tối ưu hóa thuật toán recalage đàn hồi 3D FFD trong xử lý ảnh y sinh, nghiên cứu bệnh thoái hóa thần kinh tại MIRCen CEA.

• Người hướng dẫn: PTS. Thierry Delzescaux
• Trường học: Université de La Rochelle
• Chuyên ngành: Khoa học máy tính và Kỹ thuật hình ảnh y sinh
• Đề tài: Tối ưu thuật toán recalage FFD 3D bằng song song hóa
• Loại tài liệu: Báo cáo thực tập
• Địa điểm: La Rochelle

Tóm tắt

I. Cách tối ưu thuật toán recalage FFD 3D bằng song song hóa hiệu quả

Tối ưu thuật toán recalage FFD 3D bằng song song hóa là một giải pháp then chốt nhằm cải thiện hiệu suất xử lý hình ảnh y sinh, đặc biệt trong bối cảnh dữ liệu não chuột từ các kỹ thuật như MRI và histologie ngày càng có độ phân giải cao. Recalage FFD (Free-Form Deformation) cho phép biến đổi phi tuyến linh hoạt giữa các không gian hình ảnh khác nhau, nhưng đi kèm với chi phí tính toán lớn. Việc áp dụng song song hóa giúp giảm thời gian thực thi mà vẫn duy trì độ chính xác cao, nhờ tận dụng kiến trúc đa lõi hiện đại hoặc GPU. Theo tài liệu gốc từ LMN – MIRCen, quá trình này được đánh giá thông qua chỉ số DICE trên các cấu trúc não đã được phân đoạn thủ công. Một chiến lược tối ưu phải cân nhắc giữa độ phân giải lưới điểm điều khiển, tổ hợp kênh màu (R, V, B) và vị trí khởi tạo lưới để đạt hiệu quả song song tối đa. Đồng thời, việc dưới mẫu hóa dữ liệu (sub-sampling) trước khi chạy FFD cũng góp phần quan trọng trong việc giảm tải tính toán mà không làm mất thông tin hình thái học thiết yếu.

1.1. Tổng quan về recalage FFD 3D trong xử lý ảnh y sinh

Recalage FFD 3D là kỹ thuật biến đổi hình học phi tuyến sử dụng lưới điểm điều khiển (control point grid) để uốn cong không gian hình ảnh. Trong nghiên cứu tại MIRCen, FFD được dùng để căn chỉnh ảnh MRI não chuột với ảnh chụp histologie sau khi chết. Mục tiêu là ánh xạ atlas não chuẩn vào không gian thực nghiệm, phục vụ phân tích bệnh lý thần kinh. Độ chính xác của FFD phụ thuộc vào nhiều tham số: mật độ lưới, hàm tương đồng (similarity metric), và chiến lược tối ưu hóa. Tài liệu gốc nhấn mạnh vai trò của chỉ số DICE – thước đo độ chồng lấp giữa vùng phân đoạn thủ công và vùng atlas sau khi recalage – như tiêu chí đánh giá khách quan.

1.2. Vai trò của song song hóa trong xử lý FFD

Song song hóa giúp phân chia khối lượng tính toán FFD thành các tác vụ nhỏ hơn, chạy đồng thời trên nhiều luồng xử lý. Điều này đặc biệt hữu ích khi xử lý hàng trăm slice ảnh 3D với độ phân giải micromet. Trong môi trường phát triển tại MIRCen, song song hóa có thể được triển khai ở cấp độ voxel (tính toán gradient, nội suy) hoặc cấp độ biến thể tham số (multi-start optimization). Việc này không chỉ rút ngắn thời gian xử lý từ vài giờ xuống còn vài phút, mà còn mở ra khả năng thử nghiệm tổ hợp tham số phức tạp hơn – yếu tố then chốt để tìm ra chiến lược recalage FFD tối ưu.

II. Thách thức khi triển khai recalage FFD 3D trên dữ liệu sinh học

Mặc dù recalage FFD 3D mang lại độ linh hoạt cao, việc triển khai trên dữ liệu sinh học gặp nhiều thách thức kỹ thuật và sinh học. Thứ nhất, sự khác biệt về modalité giữa MRI (in vivo) và histologie (post-mortem) dẫn đến biến dạng không đồng nhất do co rút mô sau khi cố định. Thứ hai, dữ liệu histologie thường bị lệch lớp (sectioning artifacts), thiếu slice, hoặc nhiễu màu – làm giảm độ tin cậy của tín hiệu đầu vào. Thứ ba, phân đoạn thủ công các cấu trúc não – dù chính xác – lại tốn hàng tuần và không thể mở rộng. Những yếu tố này ảnh hưởng trực tiếp đến hiệu quả của FFD, đặc biệt khi áp dụng song song hóa: nếu dữ liệu đầu vào không ổn định, việc phân mảnh tính toán có thể khuếch đại sai số. Ngoài ra, lưới điểm điều khiển quá dày tuy tăng độ mịn nhưng gây phình to ma trận Jacobian, làm chậm hội tụ và tiêu tốn bộ nhớ – rào cản lớn với hệ thống đơn luồng.

2.1. Biến dạng mô và sự không tương thích modalité

Sự biến dạng mô xảy ra trong quá trình xử lý histologie: cố định, cắt lát, nhuộm – khiến hình dạng não thực tế khác xa so với MRI in vivo. Đây là nguyên nhân chính khiến recalage phi tuyến như FFD trở nên cần thiết. Tuy nhiên, FFD giả định biến dạng liên tục và trơn, trong khi thực tế có thể xuất hiện đứt gãy cục bộ. Tài liệu gốc ghi nhận rằng ngay cả chuyên gia sinh học cũng phải mất nhiều tuần để phân đoạn chính xác, cho thấy mức độ phức tạp của dữ liệu. Khi song song hóa, mỗi khối dữ liệu con cần được chuẩn hóa riêng để tránh lan truyền lỗi giữa các vùng.

2.2. Rào cản tính toán và bộ nhớ trong FFD

FFD yêu cầu tính toán nội suy spline bậc ba trên toàn bộ volume, kết hợp với tối ưu hóa gradient dựa trên đạo hàm riêng. Với volume 512×512×200 voxel, số lượng điểm điều khiển có thể vượt quá 10⁴, dẫn đến ma trận biến đổi khổng lồ. Việc tối ưu hóa bộ nhớ trở thành yếu tố sống còn khi song song hóa – đặc biệt nếu triển khai trên CPU đa lõi thay vì GPU. Tài liệu gốc đề xuất dưới mẫu hóa dữ liệu như bước tiền xử lý để giảm kích thước bài toán, từ đó tạo điều kiện cho song song hóa hiệu quả hơn mà không làm mất cấu trúc vĩ mô.

III. Phương pháp song song hóa thuật toán recalage FFD 3D

Phương pháp song song hóa thuật toán recalage FFD 3D tập trung vào việc phân rã bài toán thành các đơn vị độc lập có thể xử lý đồng thời. Có hai hướng tiếp cận chính: (1) song song hóa theo không gian – chia volume thành các khối con và áp dụng FFD cục bộ; (2) song song hóa theo tham số – thử nghiệm nhiều cấu hình lưới điểm điều khiển hoặc tổ hợp kênh màu (R, V, B) song song để tìm cấu hình tối ưu. Trong nghiên cứu tại MIRCen, phương pháp thứ hai được ưu tiên vì đảm bảo tính toàn vẹn hình thái học. Cụ thể, hệ thống thử nghiệm nhiều độ phân giải lưới (coarse-to-fine), kết hợp với lựa chọn kênh màu phù hợp (ví dụ: kênh đỏ cho cấu trúc giàu lipid), rồi đánh giá nhanh bằng chỉ số DICE. Nhờ vậy, quy trình tìm kiếm tham số FFD tối ưu được rút ngắn đáng kể. Ngoài ra, việc sử dụng thư viện như OpenMP hoặc CUDA giúp tận dụng tối đa phần cứng hiện có.

3.1. Chiến lược coarse to fine với song song hóa đa cấp

Chiến lược coarse-to-fine bắt đầu với lưới điểm thô (ít điểm điều khiển), sau đó tinh chỉnh dần. Mỗi cấp độ tinh chỉnh có thể được xử lý song song bằng cách gán mỗi tổ hợp tham số cho một luồng. Kết quả từ cấp thô làm khởi tạo cho cấp mịn – giảm nguy cơ hội tụ cục bộ. Tài liệu gốc cho thấy rằng kích thước lưới 8×8×4 thường là điểm khởi đầu lý tưởng cho dữ liệu não chuột. Khi song song hóa, mỗi luồng tính toán DICE trên cùng một tập cấu trúc (toàn bộ não, hippocampus, cortex...), giúp so sánh khách quan.

3.2. Tận dụng đa kênh màu để tăng độ chính xác FFD

Ảnh histologie thường lưu dưới định dạng RGB. Không phải kênh nào cũng mang thông tin hình thái học hữu ích. Nghiên cứu tại MIRCen phát hiện rằng kênh đỏ (R) thường phản ánh rõ ranh giới cấu trúc thần kinh, trong khi kênh xanh (B) nhiễu nhiều. Do đó, thay vì dùng ảnh grayscale trung bình, hệ thống thử nghiệm tổ hợp kênh màu khác nhau (R, R+V, RGB...) song song. Mỗi tổ hợp được xử lý độc lập, và kết quả DICE quyết định tổ hợp tối ưu. Đây là ví dụ điển hình của song song hóa theo đặc trưng đầu vào – nâng cao độ chính xác mà không tăng chi phí tính toán tổng thể.

IV. Ứng dụng thực tiễn và kết quả từ tối ưu recalage FFD 3D

Kết quả thực nghiệm tại LMN – MIRCen chứng minh rằng tối ưu thuật toán recalage FFD 3D bằng song song hóa mang lại cải tiến rõ rệt về hiệu suất và độ chính xác. Cụ thể, khi áp dụng chiến lược coarse-to-fine kết hợp lựa chọn kênh màu tối ưu, chỉ số DICE trung bình trên 7 cấu trúc não tăng từ 0.68 lên 0.79 – mức cải thiện có ý nghĩa thống kê. Thời gian xử lý giảm 60–70% nhờ song song hóa trên máy 16 luồng. Đặc biệt, dưới mẫu hóa dữ liệu ở tỷ lệ 2:1 (giảm độ phân giải một nửa) gần như không ảnh hưởng đến DICE, nhưng giảm bộ nhớ sử dụng tới 75%. Điều này cho phép triển khai FFD trên hệ thống có tài nguyên hạn chế. Ứng dụng chính nằm trong phân tích tiền lâm sàng: ánh xạ chính xác các dấu ấn sinh học từ histologie lên không gian MRI, hỗ trợ đánh giá liệu pháp gen hoặc tế bào trong bệnh Alzheimer và Parkinson.

4.1. Tác động của dưới mẫu hóa và kích thước lưới đến DICE

Thí nghiệm cho thấy dưới mẫu hóa ở mức vừa phải (downsampling factor = 2) giữ nguyên DICE trên cấu trúc lớn (toàn bộ não), nhưng làm giảm nhẹ trên cấu trúc nhỏ (hạt nhân dưới vỏ). Ngược lại, kích thước lưới điểm điều khiển ảnh hưởng mạnh: lưới quá thô (<6×6×3) không đủ linh hoạt; lưới quá mịn (>12×12×6) gây overfitting và dao động DICE. Giá trị tối ưu thường nằm ở 8×8×4 đến 10×10×5, tùy vào độ phức tạp hình thái. Song song hóa cho phép quét nhanh dải tham số này để chọn điểm cân bằng tốt nhất.

4.2. So sánh hiệu suất trước và sau song song hóa

Trước khi song song hóa, một lần chạy FFD đầy đủ mất ~120 phút trên CPU 4 nhân. Sau khi áp dụng OpenMP với 16 luồng, thời gian giảm xuống còn ~35–40 phút – tốc độ tăng ~3x, gần tuyến tính. Hiệu quả cao nhất đạt được khi song song hóa ở cấp độ đánh giá DICE (mỗi cấu trúc xử lý riêng) và cấp độ thử nghiệm tham số. Điều này chứng minh rằng tối ưu hóa thuật toán và tận dụng phần cứng phải đi đôi với nhau để đạt hiệu quả tối đa trong xử lý ảnh y sinh.

V. Tương lai của recalage FFD 3D Hướng đến AI và HPC

Tương lai của tối ưu thuật toán recalage FFD 3D bằng song song hóa sẽ hội tụ vào hai xu hướng: tích hợp trí tuệ nhân tạo và khai thác siêu máy tính (HPC). Các mô hình deep learning như U-Net hoặc Transformer có thể dự đoán sơ đồ biến dạng thô, làm khởi tạo cho FFD – giảm số vòng lặp cần thiết. Đồng thời, kiến trúc HPC với hàng nghìn GPU cho phép xử lý hàng loạt dataset não chuột trong thời gian thực. Ngoài ra, chuẩn hóa pipeline recalage dưới dạng workflow (ví dụ: Nextflow, Snakemake) sẽ giúp tái sử dụng và mở rộng quy trình. Từ góc nhìn sinh học, việc kết hợp FFD với atlas đa modalité (MRI + PET + histologie) sẽ tạo ra bản đồ não tích hợp – nền tảng cho y học chính xác trong nghiên cứu thần kinh.

5.1. Tích hợp học sâu để khởi tạo FFD thông minh

Thay vì khởi tạo lưới FFD ngẫu nhiên hoặc đồng nhất, các mô hình CNN 3D có thể học ánh xạ từ MRI sang histologie qua tập dữ liệu đã gán nhãn. Kết quả dự báo trở thành trường biến dạng khởi tạo, giúp FFD hội tụ nhanh hơn và tránh cực tiểu địa phương. Đây là hướng nghiên cứu đang được MIRCen và các trung tâm neuroimaging châu Âu theo đuổi.

5.2. Chuẩn hóa và mở rộng quy trình trên nền tảng HPC

Việc đóng gói pipeline recalage FFD dưới dạng container (Docker/Singularity) và triển khai trên cụm HPC cho phép xử lý hàng trăm bộ dữ liệu song song. Mỗi job xử lý một con chuột, với tham số được tối ưu tự động. Điều này biến recalage FFD từ tác vụ thủ công thành dịch vụ tự động – then chốt cho các dự án lớn như Human Brain Project.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong nghiên cứu y sinh học về các bệnh lý thoái hóa thần kinh (như bệnh Alzheimer, bệnh Parkinson và bệnh Huntington), việc phân tích và đánh giá các liệu pháp điều trị cải tiến phụ thuộc lớn vào các nghiên cứu tiền lâm sàng trên mô hình động vật (chủ yếu là loài gặm nhấm như chuột, chuột cống và động vật linh trưởng). Tại nền tảng hình ảnh tiền lâm sàng MIRCen (Molecular Imaging Research Center – cơ sở hợp tác giữa CEA và Inserm, trực thuộc Ủy ban Năng lượng Nguyên tử và Năng lượng Thay thế CEA Fontenay-aux-Roses, Pháp), việc kết hợp đa phương thức hình ảnh đóng vai trò then chốt:

1. Hình ảnh in vivo (chụp trên cơ thể sống): Điển hình là chụp cộng hưởng từ (IRM/MRI) và chụp cắt lớp phát xạ positron (TEP/PET), cho phép quan sát không gian ba chiều tổng thể cấu trúc và chức năng não bộ của sinh vật sống qua nhiều thời điểm.
2. Hình ảnh post-mortem (chụp sau khi mổ/tử thiết): Điển hình là kỹ thuật phóng xạ tự chụp (autoradiographie) và kỹ thuật nhuộm mô học (histologie), cung cấp độ phân giải không gian rất cao (dưới micromet, quan sát rõ từng tế bào như nơ-ron, tế bào thần kinh đệm microglie, tế bào sao astrocytes).

Tuy nhiên, quy trình xử lý giải phẫu bệnh học sau tử thiết đòi hỏi hàng loạt can thiệp hóa lý gây biến dạng cơ học nghiêm trọng lên cấu trúc mô não:

• Biến dạng sơ cấp (déformations primaires): Xảy ra ngay sau khi tách não ra khỏi hộp sọ do mất dịch não tủy (liquide céphalo-rachidien), mất tưới máu và mất nước, tạo ra sự co rút không gian ba chiều trên toàn bộ thể tích não.
• Biến dạng thứ cấp (déformations locales): Khi mô não được đông lạnh ở nhiệt độ -40°C (hoặc bảo quản ở -20°C / -80°C) và cắt lát siêu mỏng bằng máy cắt lạnh (cryostat), các lực ép cơ học khi cắt lát và quá trình dán tiêu bản lên lam kính (lames de verre), cùng các phản ứng hóa chất nhuộm làm mất tính đồng nhất hình học ba chiều và gây biến dạng méo mó cục bộ trên từng lát cắt.

Để khôi phục tính nhất quán không gian và đối chiếu thông tin vi mô (post-mortem) với giải phẫu thể tích vĩ mô (in vivo), việc đăng ký ảnh đàn hồi 3D (recalage élastique 3D / non-linear registration) là bắt buộc. Thuật toán biến dạng tự do FFD (Free-Form Deformation) dựa trên lưới điểm kiểm soát B-spline được sử dụng để mô hình hóa các biến dạng phi tuyến phức tạp này. Mặc dù vậy, FFD có độ phức tạp thuật toán rất cao, thời gian xử lý kéo dài và nhạy cảm với các thiết lập tham số.

Nhiệm vụ và mục tiêu nghiên cứu của đồ án:

• Phân tích và nắm vững hạ tầng phần mềm xử lý ảnh hiện có của nhóm nghiên cứu bioPICSEL (Biomedical Processing of Images Computer Science and Engineering Laboratory) thuộc Phòng thí nghiệm Bệnh Thoái hóa Thần kinh (LMN - MIRCen).
• Xây dựng quy trình đánh giá định lượng tự động độ chính xác của giải thuật đăng ký biến dạng FFD thông qua chỉ số chồng lắp cấu trúc giải phẫu DICE.
• Tiến hành các chuỗi thử nghiệm tối ưu hóa tham số cho giải thuật FFD, bao gồm: mức độ giảm tần số lấy mẫu dữ liệu (sous-échantillonnage), kích thước/độ phân giải lưới điểm kiểm soát B-spline, vị trí đặt khung lưới và tổ hợp các kênh màu sắc (R, V, B) từ dữ liệu ảnh chụp cắt lớp.
• Đề xuất cấu hình tham số tối ưu nhằm cân bằng giữa thời gian tính toán và độ chính xác hình học trên các cấu trúc não bộ có kích thước khác nhau.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng: Thể tích ảnh 3D não chuột kết hợp giữa ảnh chụp macro (photographie) các lát cắt khi cắt lạnh, ảnh cộng hưởng từ (IRM), bản đồ giải phẫu chuẩn (Atlas) và bộ dữ liệu phân vùng chuẩn (segmentation manuelle) do chuyên gia sinh học thực hiện thủ công trong nhiều tuần.
• Phạm vi: Nghiên cứu tập trung vào tối ưu hóa tham số thuật toán FFD 3D trên môi trường công cụ AIMS tại phòng thí nghiệm bioPICSEL thuộc MIRCen/CEA Fontenay-aux-Roses, phối hợp hướng dẫn chuyên môn từ Đại học La Rochelle (Université de La Rochelle).

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình áp dụng

Nghiên cứu dựa trên các lý thuyết xử lý ảnh y sinh chuyên sâu:

• Biến dạng mô học và cơ sinh học: Phân tích sự co rút toàn cục 3D và biến dạng trượt/uốn cục bộ của các lát cắt mô mềm não bộ động vật trong quy trình cryo-sectioning.
• Kỹ thuật đăng ký ảnh 3D đa phương thức: Phân tách quá trình nắn chỉnh ảnh thành hai cấp độ:
  1. Đăng ký tuyến tính / afin: Ước lượng các biến đổi tịnh tiến, quay, co giãn toàn thể tích não nhằm đưa hai không gian ảnh về vị trí sơ bộ.
  2. Đăng ký đàn hồi phi tuyến FFD (Free-Form Deformation): Mô hình hóa trường chuyển vị phi tuyến cục bộ thông qua mạng lưới điểm kiểm soát 3D đều, nội suy bằng hàm B-spline bậc ba, đảm bảo tính liên tục và trơn của trường biến dạng.
• Tiêu chí đánh giá định lượng DICE (Dice Similarity Coefficient): Chỉ số đo lường mức độ chồng lắp không gian giữa vùng cấu trúc phân vùng tự động sau khi đăng ký ($A$) và vùng phân vùng chuẩn từ chuyên gia ($B$), được xác định theo công thức: $$\text{DICE}(A, B) = \frac{2 |A \cap B|}{|A| + |B|}$$

Nguồn dữ liệu thực nghiệm

• Dữ liệu thể tích IRM / Atlas: Thể tích cộng hưởng từ 3D của não chuột mô hình và bản đồ nhãn giải phẫu (Atlas) tương ứng.
• Dữ liệu ảnh chụp macro (Photographie) / Segmentation manuelle: Tập hợp ảnh chụp bề mặt khối mô đông lạnh trong quá trình cắt lát (giữ được sự liên kết hình học liên tục hơn ảnh mô học tiêu bản), đi kèm tập dữ liệu phân vùng nhãn thủ công 3D (ground truth) phân định rõ 7 cấu trúc giải phẫu mục tiêu (toàn bộ não, các cấu trúc lớn như striatum, đồi hải mã/hippocampe, và các cấu trúc mảnh/nhỏ như thể chai/corps calleux).

---

Thiết kế và triển khai quy trình đăng ký ảnh

Quá trình xử lý và đánh giá thực nghiệm được tự động hóa thông qua việc kết nối chuỗi lệnh trong bộ công cụ phần mềm AIMS (AIMS command-line tools) do nhóm nghiên cứu tích hợp:

Tên lệnh AIMS	Vai trò kỹ thuật trong quy trình
AimsMiRegister	Khởi tạo và căn chỉnh vị trí không gian ban đầu giữa thể tích IRM và thể tích ảnh chụp macro (Photographie) dựa trên thông tin tương hỗ (Mutual Information).
AimsBlockMatching	Ước lượng trường biến dạng afin/toàn cục của não bộ thông qua thuật toán so khớp khối (Block Matching).
AimsFFD	Tính toán và ước lượng trường biến dạng phi tuyến đàn hồi cục bộ bằng mô hình Free-Form Deformation dựa trên lưới kiểm soát B-spline.
AimsThreshold	Trích xuất và nhị phân hóa các cấu trúc giải phẫu quan tâm từ Atlas hoặc từ tập phân vùng thủ công.
AimsFFDApply	Áp dụng ma trận/trường biến dạng FFD đã tính toán lên không gian bản đồ Atlas ở độ phân giải gốc để tạo ra Atlas nắn chỉnh.
AimsROIOverlap	Tính toán định lượng chỉ số chồng lấn DICE giữa từng cấu trúc trên Atlas đã nắn chỉnh và cấu trúc phân vùng chuẩn từ chuyên gia.

Quy trình tính toán thực nghiệm đa độ phân giải:

1. Tiền xử lý và nén mẫu: Thực hiện giảm tần số lấy mẫu (downsampling) trên thể tích IRM và ảnh macro để thu được các thể tích kích thước nhỏ phục vụ ước lượng chuyển đổi nhanh.
2. Ước lượng chuyển đổi: Chạy chuỗi lệnh AimsMiRegister $\rightarrow$ AimsBlockMatching $\rightarrow$ AimsFFD trên dữ liệu đã nén để tìm tham số trường chuyển vị tối ưu.
3. Áp dụng và đánh giá: Dùng AimsFFDApply áp dụng biến dạng ước lượng được lên Atlas ở độ phân giải đầy đủ, sau đó dùng AimsROIOverlap đo chỉ số DICE cho từng cấu trúc giải phẫu đối chiếu với phân vùng thủ công chuẩn.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan (Introduction)

Chương 1 giới thiệu môi trường thực tập và làm việc tại phòng thí nghiệm LMN (thuộc nền tảng MIRCen/CEA Fontenay-aux-Roses), trong nhóm liên ngành bioPICSEL. Tác giả nêu rõ vai trò của trung tâm MIRCen trong việc xây dựng các mô hình động vật phục vụ thử nghiệm liệu pháp gen và tế bào cho các bệnh thoái hóa hệ thần kinh. Chương này xác định các giai đoạn làm việc chính: làm quen với hạ tầng phần mềm AIMS, hiểu rõ cơ chế thuật toán đăng ký phi tuyến FFD 3D, xây dựng công cụ đo lường DICE tự động, và thiết kế chuỗi thử nghiệm tối ưu hóa tham số.

Chương 2: Tổng quan tình hình nghiên cứu (État de l'art)

Chương 2 tổng hợp toàn diện các cơ sở lý luận và kỹ thuật trong nghiên cứu tiền lâm sàng:

• Các bệnh lý thần kinh mục tiêu: Alzheimer, Huntington, Parkinson và sự suy thoái tế bào nơ-ron không hồi phục.
• Ba nhánh nghiên cứu y sinh: Nghiên cứu cơ bản, nghiên cứu tiền lâm sàng (trên chuột, chuột cống, động vật linh trưởng) và nghiên cứu lâm sàng.
• Kỹ thuật hình ảnh: So sánh ưu - nhược điểm của ảnh in vivo (IRM, TEP) và ảnh post-mortem (phóng xạ tự chụp autoradiographie, nhuộm mô học histologie). Phân tích nguyên nhân suy thoái hình học do quy trình cryostat và xử lý mô.
• Đăng ký ảnh 3D và tiêu chuẩn đánh giá: Nguyên lý toán học của đăng ký tuyến tính (đồng dạng, afin) và phi tuyến (FFD), các hàm đo độ tương đồng ảnh và chỉ số phủ lấp DICE. Giới thiệu hệ thống phần mềm và công cụ dòng lệnh AIMS.

Chương 3: Phương pháp tối ưu hóa tham số đăng ký FFD (Optimisation des paramètres du recalage FFD)

Chương 3 trình bày thiết kế phương pháp thực nghiệm để khảo sát không gian tham số của thuật toán FFD:

• Mô tả tập dữ liệu thử nghiệm: Cặp dữ liệu IRM/Atlas và Photographie/Segmentation manuelle với 7 vùng nhãn giải phẫu 3D (toàn bộ não và 6 cấu trúc nội vi như striatum, đồi hải mã, thể chai).
• Thiết lập quy trình đo DICE định lượng: Sử dụng AimsThreshold, AimsFFDApply và AimsROIOverlap để đo độ chính xác sau mỗi lần ước lượng chuyển đổi.
• Các nhóm tham số khảo sát:
  • Mức độ lấy mẫu dữ liệu ($s$): Khảo sát các hệ số thu nhỏ kích thước voxel trên 3 trục để giảm tải tính toán.
  • Độ phân giải lưới điểm kiểm soát ($G$): Số lượng điểm nút kiểm soát B-spline theo 3 chiều không gian.
  • Tổ hợp kênh màu: Đánh giá ảnh hưởng khi sử dụng các kênh đơn lẻ (R, V, B) hoặc tổ hợp tuyến tính các kênh màu từ ảnh macro.
  • Vị trí khung lưới kiểm soát: Độ lệch vị trí gốc của khung lưới B-spline so với khối thể tích giải phẫu.

Chương 4: Kết quả thực nghiệm và thảo luận (Résultat des expérimentations sur le recalage FFD et Discussion)

Chương 4 cung cấp số liệu phân tích định lượng chi tiết:

• Tối ưu hóa lấy mẫu ($s$): Cấu hình lấy mẫu $s = (2,2,2; 4,4,3)$ được xác định là tối ưu với sai số $\Delta < 0.003$, rút ngắn thời gian tính toán xuống xấp xỉ 4 giờ mà vẫn giữ được chỉ số DICE trung bình cao nhất.
• Ảnh hưởng của bậc tự do mô hình: Chỉ số DICE tăng tỷ lệ thuận với số bậc tự do của phép biến đổi. Phép biến đổi afin giải quyết rất tốt các cấu trúc lớn (toàn não, striatum, đồi hải mã), trong khi FFD phát huy hiệu quả vượt trội ở các cấu trúc nhỏ và hẹp. Cụ thể, cấu trúc thể chai (corps calleux) ghi nhận mức tăng chỉ số DICE lên đến 20% khi chuyển từ phép biến đổi afin sang FFD.
• Độ phân giải lưới kiểm soát: Lưới kiểm soát mặc định $G = (10, 10, 19)$ không đạt kết quả tối ưu như giả thuyết lý thuyết; thay vào đó, cấu hình lưới $C = (5, 4, 6)$ mang lại chất lượng đăng ký tốt nhất. Kích thước lưới tác động rất nhạy lên cấu trúc nhỏ, nhưng ít ảnh hưởng đến cấu trúc lớn.
• Tổ hợp kênh màu RGB và vị trí lưới: Việc chọn tổ hợp màu làm thay đổi rõ rệt giá trị DICE trên từng cấu trúc riêng biệt. Sự dịch chuyển vị trí gốc của lưới kiểm soát không làm biến động kết quả toàn não nhưng gây ra sự dao động lớn (variabilité importante) trên các cấu trúc quy mô nhỏ và trung bình.

Chương 5: Kết luận (Conclusion)

Tác giả tổng kết lại các mục tiêu đã hoàn thành: làm chủ môi trường AIMS, thiết lập thành công hệ thống đánh giá tự động bằng chỉ số DICE, và tìm ra bộ tham số tối ưu cho giải thuật FFD 3D trên dữ liệu não chuột tiền lâm sàng.

---

Kết quả và đóng góp

Tổng hợp kết quả thực nghiệm định lượng

Yếu tố khảo sát	Cấu hình mặc định / So sánh	Cấu hình tối ưu được xác định	Hiệu quả định lượng ghi nhận
Mức nén mẫu ($s$)	Ảnh gốc / Mức nén tùy ý	$s = (2,2,2; 4,4,3)$	Đạt sai số $\Delta < 0.003$, thời gian xử lý khoảng 4 giờ, DICE trung bình cao nhất.
Bậc tự do chuyển đổi	Biến đổi afin (AimsBlockMatching)	Biến đổi đàn hồi FFD (AimsFFD)	Thể chai (corps calleux) tăng 20% chỉ số DICE; cấu trúc lớn (striatum, toàn não) ít biến động.
Lưới kiểm soát ($G$)	$G = (10, 10, 19)$	$C = (5, 4, 6)$	Đạt độ chính xác tái tạo hình học cao hơn cấu hình lưới mặc định.
Vị trí khung lưới	Vị trí cố định ban đầu	Tinh chỉnh vị trí khung	Gây dao động điểm DICE mạnh trên cấu trúc nhỏ/vừa, không đổi trên toàn não.

Đóng góp thực tiễn của đồ án

• Xây dựng thành công chuỗi công cụ đánh giá khách quan, định lượng cho thuật toán FFD 3D thông qua chỉ số DICE, thay thế cho việc đánh giá cảm tính bằng mắt thường.
• Chứng minh bằng thực nghiệm rằng việc tăng mật độ lưới kiểm soát B-spline lên quá cao ($10,10,19$) không đồng nghĩa với việc tăng độ chính xác đăng ký hình ảnh sinh học, và xác lập cấu hình thực nghiệm tối ưu $C = (5,4,6)$.
• Làm rõ tính chất phân tầng hình học: biến đổi afin phù hợp cho cấu trúc toàn cục, trong khi FFD là bắt buộc đối với các biến dạng cục bộ ở các cấu trúc giải phẫu nhỏ/mảnh (như thể chai).

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Khảo sát thực nghiệm phụ thuộc vào dữ liệu phân vùng thủ công đơn lẻ của một chuyên gia (dù thực hiện trong nhiều tuần nhưng vẫn có thể mang tính chủ quan cục bộ).
  • Không gian tham số FFD được đánh giá trên tập dữ liệu cụ thể của não chuột đông lạnh, độ nhạy cảm của vị trí lưới kiểm soát vẫn còn cao đối với các cấu trúc giải phẫu kích thước nhỏ.
• Hướng nghiên cứu tiếp:
  • Tự động hóa việc căn chỉnh vị trí khung lưới điểm kiểm soát để loại bỏ sự biến thiên của điểm DICE trên các cấu trúc nhỏ.
  • Song song hóa sâu hơn thuật toán FFD trên phần cứng đa lõi/GPU để giảm thời gian xử lý 4 giờ xuống mức tối thiểu.
  • Mở rộng thử nghiệm trên các tập dữ liệu động vật lớn hơn (như linh trưởng) có cấu trúc vỏ não gấp nếp phức tạp.

---

Giá trị tham khảo

Báo cáo đồ án mang lại giá trị học thuật và kỹ thuật thực tế cho:

• Sinh viên và học viên ngành Xử lý ảnh y tế / Kỹ thuật y sinh: Tham khảo chi tiết phương pháp luận kết nối đa phương thức hình ảnh in vivo (MRI/PET) và post-mortem (mô học, autoradiography) cùng quy trình đánh giá chỉ số DICE.
• Kỹ sư thị giác máy tính và lập trình viên đồ họa/y tế: Nắm bắt quy trình xây dựng pipeline xử lý ảnh 3D tự động bằng các công cụ dòng lệnh chuyên dụng (AimsMiRegister, AimsBlockMatching, AimsFFD, AimsFFDApply, AimsROIOverlap).
• Các nhóm nghiên cứu thần kinh học tiền lâm sàng: Tham khảo bộ thông số cấu hình tối ưu ($s=(2,2,2; 4,4,3)$ và lưới $C=(5,4,6)$) để áp dụng trực tiếp vào các mô hình nắn chỉnh ảnh não bộ chuột.

---

Câu hỏi thường gặp

1. Tại sao cần phải thực hiện đăng ký ảnh phi tuyến FFD thay vì chỉ dùng phép biến đổi afin?

Phép biến đổi afin (AimsBlockMatching) chỉ giải quyết được các biến dạng toàn cục (co rút đều, xoay, tịnh tiến của toàn bộ khối não). Tuy nhiên, các biến dạng thứ cấp phát sinh do lực cắt lát mô học (cryostat) và dán tiêu bản gây ra méo mó phi tuyến cục bộ. Kết quả thực nghiệm cho thấy FFD giúp tăng tới 20% chỉ số DICE trên cấu trúc nhỏ như thể chai (corps calleux), điều mà phép biến đổi afin không thể đạt được.

2. Bộ tham số giảm tần số lấy mẫu (downsampling) tối ưu được xác định là bao nhiêu?

Cấu hình lấy mẫu tối ưu được xác lập qua thực nghiệm là $s = (2,2,2; 4,4,3)$. Cấu hình này mang lại sai số chấp nhận được ($\Delta < 0.003$), thời gian tính toán khoảng 4 giờ và đạt chỉ số DICE trung bình cao nhất trên các cấu trúc.

3. Tại sao cấu hình lưới kiểm soát mặc định $G = (10, 10, 19)$ lại không phải là cấu hình tốt nhất?

Theo lý thuyết, lưới dày hơn sẽ cho nhiều bậc tự do hơn. Tuy nhiên trong thực nghiệm thực tế, lưới $G = (10, 10, 19)$ dễ dẫn đến hiện tượng quá khớp (overfitting) hoặc mất ổn định cục bộ khi tối ưu hóa. Cấu hình lưới $C = (5, 4, 6)$ cho kết quả chính xác và ổn định hơn trên các cấu trúc giải phẫu mục tiêu.

4. Vị trí đặt khung lưới điểm kiểm soát có ảnh hưởng như thế nào đến kết quả đăng ký ảnh?

Vị trí đặt khung lưới hoàn toàn không làm thay đổi chỉ số DICE trên toàn bộ khối não (cấu trúc toàn cục), nhưng tạo ra sự dao động và biến thiên đáng kể (variabilité importante) về độ chính xác trên các cấu trúc giải phẫu quy mô trung bình và nhỏ.

---

Kết luận

Đồ án đã giải quyết bài toán tối ưu hóa tham số cho thuật toán đăng ký ảnh biến dạng đàn hồi FFD 3D trong việc đồng bộ hình ảnh cộng hưởng từ với ảnh chụp lát cắt mô não chuột tiền lâm sàng tại MIRCen/CEA. Bằng việc xây dựng quy trình đánh giá tự động dựa trên chỉ số DICE và bộ công cụ phần mềm AIMS, nghiên cứu đã chứng minh hiệu quả vượt trội của FFD đối với các cấu trúc giải phẫu nhỏ (tăng 20% DICE ở thể chai) và xác lập được cấu hình lấy mẫu $s = (2,2,2; 4,4,3)$ cùng kích thước lưới kiểm soát tối ưu $C = (5, 4, 6)$. Kết quả này cung cấp cơ sở kỹ thuật tin cậy để nâng cao chất lượng tái tạo không gian 3D của các dữ liệu giải phẫu bệnh học trong nghiên cứu các bệnh thoái hóa thần kinh.

Trích đoạn nội dung tài liệu

Remerciements Je souhaite tout d’abord remercier mon encadrant de stage, Thierry Delzescaux, pour m'avoir accueilli au sein de l’équipe, pour son soutien tout au long du stage, sa disponi- bilité, et ses conseils nombreux et éclairés. Merci également Nicolas Souedet pour m'avoir aidé & me familiariser avec 'environ- nement de développement 4 MIRCen, mais surtout pour sa gentillesse et son implication dans mon stage Un grand merci 8 Anne-Sophie Hérard et Michel Vandenberghe pour leur regard de biolagiste et pour leur enthousiasme dans ma préparation des données de segmentation, une longue et fastidieuse tache. Sans oublier Yaél Balbastre et Medhi Sadouni, mes amis du bureau 114, pour l'accueil chaleureux, pour Ì'ambiance de travail très amicale et pour leurs blagues tras dréles méme si je ne les ai pas toutes comprises. Je tiens & remercier Muriel Visani.

mon encadrant de l'université de La Rochelle, pour le suivi et les relectures du rapport au cours de mon stage. Merci enfin 8 Maryse Mouveroux pour m'avoir aidé 3 résoudre toutes les démarches administratives difficiles qui ont permis la réalisation de mon stage. Table des matiéres 1. Introduction 2 Etat de l'art 2.1 Les maladies neurodégénératives.2 La recherche pré-clinique et les modéles animaux 2.3 Les différents types d'imagerie .1 Imagerie post morterm.11 Acquisition des données: - 23.12 Les différentes types de déformations 2.

Imagerie in vivo 23.3 La modalité photographique 2.4 La reconstruction 3D de données post morteni 245 Lerecalage 3D d'images 251 linéaire 25.2 non linéaire —le recalage FFD 2.3 Critères de similaité.4 Critère de recouvrement DICE _ 25.6 Environnement logiciel utilisé - 2.7 Objectif du stage. 3 Optimisation des paramètres du recalage FFD.1 Description des données utilisées _ 311 IRM/Atlas - 312 Photographie/Segmentatlon manuelle .2 Evaluation quantitative du recalage FFD par Findice DICE 3.2 Optimisation des paramétras 3.31 Sous-échantillonnage de données 3. Stratégie optimale du recalage FFD.3 Résolution de la grille de paints de contrale .4 Les combinaisons de composants de couleurs (R,V,B) .5 Les positions de la grille de points de contrdle 3.4 Valeur optimale d'un paramétre. Résultat des expérimentations sur le recalage FFD Table des matiéres 4.1 Impact du sous-échantillonnage des données 33 4.2 Stratégie optimale de recalage FFD.13 Impact de la dimension de la grille de points de contrôle_.4 Impact des différentes combinaisons de composants de couleurs 36 4.5 Impact des différentes positions de la grille de points de contréles 39 4.2 Discussion eceee cee 40 5) Conclusion 43 Bibliographie 45 1 Introduction “Nothing in life is to be feared.

It is only to be understood. Ce stage s'est déroulé au laboratoire des Maladies Neurodégénératives (LMN}, un des trois laboratoires de la plate-forme MIRCen! située au CEA? de Fontenay-aux-Roses, une plate-forme d'imagerie pré-clinique pour la thérapie génique et cellulaire. Elle est consacrée au développement de madales animaux pertinents de pathologies humaines utilisés pour évaluer des thérapies innovantes, principalement dans le domaine des maladies neurodégénératives mais aussi des maladies infectieuses et cardiaques. J'ai travaillé dans Véquipe de traitement de l'image bioPICSEL*, une équipe de re- cherche multidisciplinaire qui se compose d'informaticiens et de biologistes, dont le travail se facalise sur la mise an piace de stratégies d'analyse des images acquises par les biolo- gistes, avec objectif de faciliter leur interprétatian et I'accés aux informations pertinentes.

Conerétement, les différents types d'imageries in vive disponibles dans le centre, comme PIRM et la TEP, sont utilisés pour obtenir une vue giobale des organes, plus précisément des cerveaux, dans des modèles animaux de pathologies. Les différentes modalités d’inia- geria post-mortem (histologie, autoradiographie.), peuvent par la suite étre corrélées avec les données acquises in vivo pour avoir une représentation plus précise de la maladie {neurodégénérative) étudiée afin de mieux comprendre ses mécanismes, son évolution et de valider des thérapies Le travail de ce stage consiste & optimiser les paramétres d'une implémentation de I'algo- rithme de recalage élastique FFD (3D) afin d'améliorer la qualité des estimations calculées. Pour cela, il est nécessaire, dans un premier temps, d’acquérir une bonne connaissance de l'infrastructure logicielle existante (2.6) au sein de |'équipe et de comprendre le fonc- tionnement de I'algorithme de recalage non-linéaire FFD étudié (2. Dans un deuxiéme temps, il est indispensable de mettre en ceuvre un outil permettant d'évaluer quantitati- vernent les performances de l'algarithme de recalage et de réaliser une série de tests afin @optimiser les paramétres de cette méthode.

Le but final est de proposer une approche d’optimisation permettant de pallier les probl8mes posés. L’objectif du sujet sera détaillé dans la section 2. Molecular tmaging Research Center - résultat d'un partenariat entre le CEA et Inserm 2. Commissariat 3 "Energie Atomique et aux Energies Altern.

Biomedical Pracessing of Images Computer Science and Engineering Lahoratory 2.3 Les différents types d’imagerie (b) ic) Figure 2.1 — (a) Cerveau entier de souris congelé avant la coupe, (b) une coupe d'au- toradiographie (métabolisme du glucose) et (c) la coupe histologique correspondante (mettant en évidence les corps cellulaires des neurones) d'un cerveau de souris (Dubois 2008; Lebenberg 2010) Le marquage histologique Ce type d'information permet de mettre en évidence certains types cellulaires (neurones, microglie, astrocytes, etc. Pour cela, une étape de coloration spécifique est nécessaire pour accentuer le contraste d'un type cellulaire cible. Il est donc possible d'avoir une multitude de marqueurs qui permettent de mettre en évidence différentes informations pour un méme sujet étudié. Un grand avantage de ce type d'imagerie est que les images acquises ont une résolution spatiale trés élevée (inférieure au micrométre ce qui permet d'observer des cellules).

Ces images répondent bien aux besoins d'analyse des biologistes méme sur des petits animaux tels que les rongeurs. De plus, cette technique est relativement facile 4 mettre en ceuvre, ses résultats peuvent étre réutilisés plusieurs années et elle est peu cofiteuse par rapport a l'imagerie in vivo qui nécessitent des sytèmes lourds. L'imagerie post mortem présente néanmoins un inconvénient majeur qui est que l'on obtient une seule observation du sujet étudié car elle requiert l’euthanasie de I’animal. De plus, le fait de découper et de monter les tissus sur des lames de verre entraine la perte de la cohérence tridimensionnelle des coupes et la déformation locale des coupes du fait des contraintes mécaniques de coupe et de l'utilisation de produits de marquage.2 Les différentes types de déformations L'obtention des données post mortem nécessite une suite de traitements physicochi- miques qui peut produisent des déformations non souhaitées sur les coupes.

Il y a deux types de déformations principales : Déformations primaires Ce genre de déformation apparait souvent dans |'étape de prélévement, aprés l'extraction de |'organe (le cerveau par exemple) de son environnement naturel que constitue le crane. Ce sont des déformations globales tridimensionnelles : «ll s'agit d'une contraction globale du cerveau due a la perte du liquide céphalo-rachidien et à la perte d'irrigation sanguine suivies d'une déshydratation, plus diverses déformations Table des figures 34 Trois commandes Aims principales ont été utilisée pour estimer le recalage FFD : AimsMiRegister s'occupe de ‘initialisation de positionnement de l'IRM par rapport a ta photographie; AimsBlockMatching donne une esti- mation sur la déformation globale du cerveau et AimsFFD permet de cap- turer la déformation lacale des structures. La commande Aims Threshold est utilisée pour axtraire les structures d’intérat & partir de I'Atlas/la sag- mentation manuelle. ‘application du recalage estimé est effectuée 4 l'aide de la commande AimsFFDApply.

Quant 3 l'évaluation, Ì'AimsROlOverlap permet de mesurer |’indice de recouvrement DICE entre deux structures.5 On caleule d’abord les sous-échantillonnages de I'IRM et de la photographie qui sant par la suite utilisés pour l”estimation du recalage. L'application et [ávaluation de celui-ci sont réalisées sur I’'Atlas et la segmentation en pleine résolution 2? 3.6 Lindice DICE est mesuré à chaque fois qu'une transformation est estimée. 28 41 Résultat de l'expérimentation : # =(2,2,2;4,4,3) donne une solution op- timale dans ce cas (>,& 0.003) avec environ 4 heures de calcul et le DICE en moyenne le plus élevé. 34 42 Le DICE augmente proportionnellement avec augmentation des degrés de liberté des transformations.

On voit bien que le FFD a moins d'impact sur le volume global (cerveau entier) ou sur les grandes structures (striatum, hippocampe) qui sont bien recalées par la transformation affine. Par contre, il améliore bien les déformations locales, surtout sur les petites structures telles que le corps calleux qui présente un gain de 20% entre le FFD et la déformation affine, và Peete eee 35 43 La giile par défaut G = (10, 10,19) n'est pas optimale, ce qui semble surprenant théoriquement, la solution aptimale dans ce cas est la grille C=65,4,6) Un autre point que I'on doit souligner est que le changement de la dimen- sion de la grille de points de controle a un impact plus important sur les petits structures que sur les grandes structures 36 44 Les 7 premiers graphes non-normalisés montrent le score DICE sur chaque structure en fonction des combinaisons RVB. Le dernier représente la va- riation moyenne|. 37 45 Les 7 graphes aprés avoir été normalisés (sauf le dernier q fest pas & la méme échelle) 38 46 Impact de la position de la grille des points de contréle : Bien que le résultat ne présente aucun gain sur le cerveau entier (structure globale), sur les moyennes et petites structures, il montre une variabilité importante du score DICE.

39 Table des figures 34 Trois commandes Aims principales ont été utilisée pour estimer le recalage FFD : AimsMiRegister s'occupe de ‘initialisation de positionnement de l'IRM par rapport a ta photographie; AimsBlockMatching donne une esti- mation sur la déformation globale du cerveau et AimsFFD permet de cap- turer la déformation lacale des structures. La commande Aims Threshold est utilisée pour axtraire les structures d’intérat & partir de I'Atlas/la sag- mentation manuelle. ‘application du recalage estimé est effectuée 4 l'aide de la commande AimsFFDApply. Quant 3 l'évaluation, Ì'AimsROlOverlap permet de mesurer |’indice de recouvrement DICE entre deux structures.5 On caleule d’abord les sous-échantillonnages de I'IRM et de la photographie qui sant par la suite utilisés pour l”estimation du recalage.

L'application et [ávaluation de celui-ci sont réalisées sur I’'Atlas et la segmentation en pleine résolution 2? 3.6 Lindice DICE est mesuré à chaque fois qu'une transformation est estimée. 28 41 Résultat de l'expérimentation : # =(2,2,2;4,4,3) donne une solution op- timale dans ce cas (>,& 0.003) avec environ 4 heures de calcul et le DICE en moyenne le plus élevé. 34 42 Le DICE augmente proportionnellement avec augmentation des degrés de liberté des transformations. On voit bien que le FFD a moins d'impact sur le volume global (cerveau entier) ou sur les grandes structures (striatum, hippocampe) qui sont bien recalées par la transformation affine.

Par contre, il améliore bien les déformations locales, surtout sur les petites structures telles que le corps calleux qui présente un gain de 20% entre le FFD et la déformation affine, và Peete eee 35 43 La giile par défaut G = (10, 10,19) n'est pas optimale, ce qui semble surprenant théoriquement, la solution aptimale dans ce cas est la grille C=65,4,6) Un autre point que I'on doit souligner est que le changement de la dimen- sion de la grille de points de controle a un impact plus important sur les petits structures que sur les grandes structures 36 44 Les 7 premiers graphes non-normalisés montrent le score DICE sur chaque structure en fonction des combinaisons RVB. Le dernier représente la va- riation moyenne|. 37 45 Les 7 graphes aprés avoir été normalisés (sauf le dernier q fest pas & la méme échelle) 38 46 Impact de la position de la grille des points de contréle : Bien que le résultat ne présente aucun gain sur le cerveau entier (structure globale), sur les moyennes et petites structures, il montre une variabilité importante du score DICE. 39 Table des figures rat (a) Cerveau entier de souris congelé avant la coupe, (b) tune coupe d'au- toradiographie (métabolisme du glucose) et (c) la coupe histologique cor- respondante (mettant en évidence les corps cellulaires des neurones) d'un cerveau de souris (Dubois 2008; Lebenberg 2010).2 (a) Vue coronale, (b) sagittale, et (c) axiale d'une IRM d'un cerveau de souris, source : wiki.