<  Retour au portail Polytechnique Montréal

Écosystème logiciel de segmentation de neurones sur des images microscopiques par apprentissage profond

Marie-Hélène Bourget

Mémoire de maîtrise (2022)

Document en libre accès dans PolyPublie
[img]
Affichage préliminaire
Libre accès au plein texte de ce document
Conditions d'utilisation: Tous droits réservés
Télécharger (9MB)
Afficher le résumé
Cacher le résumé

Résumé

La gaine de myéline qui entoure les axones des neurones permet la conduction rapide du signal dans le système nerveux. Des maladies neurodégénératives ou traumatismes peuvent endommager les axones myélinisés entraînant des déficits moteurs et/ou sensitifs. Les données morphométriques des neurones (ex. : diamètre des axones, épaisseur de myéline) extraites à partir de segmentation d'images microscopiques sont des métriques clés pour la recherche sur la démyélinisation et la régénération neuronale. La segmentation des images permettant de caractériser la microstructure des neurones peut être réalisée automatiquement et rapidement avec des modèles d'apprentissage profond. Toutefois, l'entraînement de modèles robustes nécessite l'accès à de nombreuses données bien organisées présentant une variété d'espèces, de pathologies et de modalités d'imagerie, ainsi qu'une documentation exhaustive des méthodes utilisées. Le travail mené dans le cadre de ce projet de maîtrise a pour objectif le développement d'un écosystème logiciel de segmentation de neurones sur des images microscopiques par apprentissage profond. Il s'inscrit dans une démarche FAIR (Findable, Accessible, Interoperable et Reusable) faisant la promotion de pratiques de recherche ouvertes. Les principes FAIR servent de lignes directrices pour la gestion à long terme des données afin d'améliorer le potentiel, la transparence et la reproductibilité de la recherche. Une structure d'organisation standard pour les données de microscopie a d'abord été développée via une proposition d'extension à la spécification Brain Imaging Data Structure (BIDS). Cette spécification pour l'organisation de jeux de données de neuroimagerie comme l'imagerie par résonance magnétique (IRM) ou la tomographie par émission de positrons facilite le partage et l'automatisation d'outils logiciels d'analyse et de traitement des données. La spécification Microscopy-BIDS résultante a été intégrée officiellement à la version 1.7.0 de BIDS, y introduisant 15+ modalités de microscopie incluant un large éventail de techniques 2D et 3D de microscopie optique, électronique et micro-CT en contexte ex vivo et in vivo. Des exemples de jeux de données servant de guide pour la communauté ont également été assemblés et partagés en accès libre. Une extension à l'outil de validation des jeux de données de BIDS a également été implémentée. Un pipeline de données compatible avec BIDS et avec la microscopie a été implémenté dans le logiciel libre ivadomed spécialisé dans la segmentation par apprentissage profond pour l'imagerie médicale et développé par le laboratoire NeuroPoly. Trois nouveaux modèles pour la segmentation multiclasse d'axones et myéline ont par la suite été entraînés dans ivadomed à l'aide d'un réseau de neurones convolutif de type U-Net. Ces modèles ont été entraînés et évalués à l'aide d'images 2D ex vivo de microscopie électronique à balayage, de microscopie électronique en transmission et de microscopie optique en champ clair, de différentes espèces, structures anatomiques et résolutions. Après optimisation des hyperparamètres, les trois nouveaux modèles ont été comparés aux modèles précédents du logiciel libre AxonDeepSeg, également développé par NeuroPoly. Les modèles précédents de AxonDeepSeg (version 3) et les nouveaux modèles de ivadomed présentent chacun leurs avantages et inconvénients. Qualitativement, les nouveaux modèles montrent une bonne capacité de généralisation à de nouvelles images et une meilleure estimation de l'épaisseur de myéline mais présentent toutefois des irrégularités aux bordures des structures. Quantitativement, les nouveaux modèles montrent des résultats comparables aux modèles précédents pour la segmentation des axones et de meilleurs résultats en termes de sensibilité et de Dice pour la segmentation de la myéline au détriment de la précision. Cependant, ils présentent aussi de la sur-segmentation avec la présence de nombreux faux positifs. Finalement, les nouveaux modèles entraînés dans ivadomed sont disponibles en accès libre sur GitHub et ont été intégrés à la version 4 de AxonDeepSeg, permettant la segmentation de nouvelles images et l'extraction des données morphométriques du tissu neuronal. Globalement, le choix de développer une spécification pour la microscopie dans l'écosystème BIDS a permis de tirer parti des mécanismes FAIR déjà en place comme l'utilisation de formats de fichiers standards et l'intégration de métadonnées riches. De plus, l'utilisation d'une structure standard augmente l'interopérabilité des données, donc la capacité de les interpréter directement dans des outils automatisés comme ivadomed et AxonDeepSeg. L'implémentation du pipeline de microscopie à ivadomed est également accompagnée d'un tutoriel permettant à tout chercheur possédant des données sous format BIDS d'y entraîner ses propres modèles. Les nouveaux modèles intégrés à AxonDeepSeg seront utiles à la recherche en neurosciences pour la documentation de la microstructure des neurones, l'étude des mécanismes de démyélinisation et de régénération neuronale, ainsi que la validation d'autres modalités d'imagerie comme l'IRM quantitative.

Abstract

The myelin sheath that surrounds the axons of neurons allows rapid signal conduction in the nervous system. Neurodegenerative diseases or trauma can damage myelinated axons leading to motor and/or sensory deficits. Neuron morphometric data (e.g., axon diameter, myelin thickness) extracted from microscopic image segmentation are key metrics for research on neuronal demyelination and regeneration. Image segmentation to characterize the microstructure of neurons can be performed automatically and quickly with deep learning models. However, training robust models requires access to a large amount of well-organized data representing a variety of species, pathologies and imaging modalities, as well as extensive documentation of the methods used. The work carried out as part of this master's project aims to develop a software ecosystem for segmenting neurons on microscopic images by deep learning. It is part of a FAIR (Findable, Accessible, Interoperable and Reusable) approach promoting open research practices. The FAIR Principles serve as guidelines for long-term data management to improve research potential, transparency, and reproducibility. A standard organization structure for microscopy data was first developed via an extension proposal to the Brain Imaging Data Structure (BIDS) specification. This specification for the organization of neuroimaging datasets such as magnetic resonance imaging (MRI) or positron emission tomography facilitates the sharing and automation of data analysis and processing software tools. The resulting Microscopy-BIDS specification has been officially incorporated into BIDS version 1.7.0, introducing 15+ microscopy modalities including a wide range of 2D and 3D, optical, electron and micro-CT microscopy techniques in both ex vivo and in vivo contexts. Dataset examples serving as a guide for the community have also been assembled and shared in open access. An extension to the BIDS dataset validation tool has also been implemented. A data pipeline compatible with BIDS and with microscopy has been implemented in the free software ivadomed specialized in deep learning segmentation for medical imaging and developed by the NeuroPoly laboratory. Three new models for the multiclass segmentation of axons and myelin were subsequently trained in ivadomed using a U-Net type convolutional neural network. These models were trained and evaluated using 2D ex vivo scanning electron microscopy, transmission electron microscopy and bright field optical microscopy images of different species, anatomical structures and resolutions. After optimization of the hyperparameters, the three newmodels were compared to the previous models of the free software AxonDeepSeg, also developed by NeuroPoly. The previous models of AxonDeepSeg (version 3) and the new models of ivadomed each have their advantages and disadvantages. Qualitatively, the new models show a good ability to generalize to new images and a better estimation of the myelin thickness but nevertheless present irregularities at the edges of the structures. Quantitatively, the new models show comparable results to previous models for axon segmentation and better results in terms of sensitivity and Dice for myelin segmentation at the expense of precision. However, they also show over-segmentation with the presence of many false positives. Finally, the new models trained in ivadomed are freely available on GitHub and have been integrated into version 4 of AxonDeepSeg, allowing the segmentation of new images and the extraction of morphometric data from neuronal tissue. Overall, the choice to develop a specification for microscopy in the BIDS ecosystem made it possible to take advantage of the FAIR mechanisms already in place, such as the use of standard file formats and the integration of rich metadata. In addition, the use of a standard structure increases the interoperability of the data, therefore the ability to interpret them directly in automated tools like ivadomed and AxonDeepSeg. The implementation of the microscopy pipeline at ivadomed is also accompanied by a tutorial allowing any researcher with data in BIDS format to train their own models. The new models integrated into AxonDeepSeg will be useful in neuroscience research for the documentation of neuron microstructure, the study of demyelination and neuronal regeneration mechanisms, as well as the validation of other imaging modalities such as quantitative MRI.

Département: Institut de génie biomédical
Programme: Génie biomédical
Directeurs ou directrices: Julien Cohen-Adad
URL de PolyPublie: https://publications.polymtl.ca/10448/
Université/École: Polytechnique Montréal
Date du dépôt: 01 févr. 2023 14:30
Dernière modification: 07 févr. 2024 05:26
Citer en APA 7: Bourget, M.-H. (2022). Écosystème logiciel de segmentation de neurones sur des images microscopiques par apprentissage profond [Mémoire de maîtrise, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/10448/

Statistiques

Total des téléchargements à partir de PolyPublie

Téléchargements par année

Provenance des téléchargements

Actions réservées au personnel

Afficher document Afficher document