Analyse automatique d'images histopathologiques de tissus tumoraux micro-disséqués

Du fait de la grande variabilité intra et inter-patients des dosages et substances efficaces, déterminer un traitement pertinent pour un patient atteint de cancer est toujours délicat. Ainsi, la piste de la médecine personnalisée est très prometteuse, notamment les méthodes consistant à observer ex vivo la réponse à différents traitements de tissus tumoraux d’un patient. Néanmoins, de telles méthodes exigent des modèles pertinents, viables, efficaces et simples à mettre en place. C’est dans cette perspective que vient s’inscrire le modèle des tissus micro-disséqués, modèle correspondant à un dispositif microfluidique pour la culture de tissus tumoraux, qui serait compatible avec des analyses histopathologiques à haut rendement. Les échantillons qui y sont cultivés sont ensuite imagés par immunofluorescence puis les images résultantes sont analysées manuellement, image par image. L’aire de recouvrement des marqueurs fluorescents utilisés est alors déterminée afin d’analyser les tissus et leur nature. Cependant, l'analyse des images est extrêmement longue et constitue un facteur limitant du modèle. L’objectif de ce projet est donc d’automatiser et accélérer le processus d’analyse d’images, en mettant notamment à profit des techniques d’apprentissage machine, afin d’améliorer l'utilisabilité du modèle. Ce projet se base ainsi sur près de 1000 images d’échantillons, de 3 lignées cellulaires différentes, issues de xénogreffes de souris. Il explore différents modèles, sur plusieurs opérations distinctes. Ainsi, une sélection des échantillons pertinents est réalisée par le biais d’une forêt aléatoire avec un score de 95% d’exactitude. Par la suite, un algorithme utilisant des opérations de morphologie mathématique et un seuillage d’Otsu permettent de segmenter l’enveloppe des échantillons avec un score F1 de 0.97. Une machine par vecteurs de support régressive ainsi qu’un réseau de neurones convolutif UNet-MobileNet ont été testées. Afin d’entraîner le réseau de neurones, un procédé de découpage des échantillons en petites régions ainsi qu’un procédé d’augmentation des données ont été mis en place. Il s’agit ainsi d’augmenter le nombre d’images disponibles et d’améliorer la généralisation du modèle. Les paramètres ont ensuite été optimisés par essai/erreur. Le réseau de neurones entraîné présente des performances assez irrégulières, bien qu’intéressantes pour un certain nombre d’images. En particulier, les meilleures performances obtenues correspondent à un score F1 de 0,61 et une exactitude de 88,1%. Il resterait donc encore du travail d’optimisation de paramètres à réaliser.

Abstract

ue to the high intra and inter-patient variability of effective dosages and substances, determining an appropriate treatment for one patient’s cancer is always a challenge. Thus, the field of personalized medicine is very promising, especially methods which consist in observing ex vivo the response to different treatments of a patient's tumour tissue. However, such methods require relevant, viable, efficient, and easy to implement models. The micro-dissected tissues model is developed in this perspective. It is a microfluidic device for the culture of tumour tissues, which is compatible with high throughput histopathological analyses. Samples grow in the device, then are imaged by immunofluorescence and finally images are analysed manually, image by image. The area of coverage of the fluorescent markers that are used is determined in order to analyse tissues and their nature. However, the image analysis is extremely long, which is a limiting factor of the model. Therefore, the objective of this project is to automate and to accelerate the image analysis process, using machine learning techniques, in order to improve the usability of the model. This work is based on nearly 1000 images of samples, from 3 different cell lines, from mouse xenografts. It explores different models, on several distinct operations. Thus, a selection of relevant samples is performed through a random forest with an accuracy of 95%. Subsequently, an algorithm using morphological operations and an Otsu thresholding able to segment the envelope of the samples with a F1 score of 0.97. The segmentation of the markers of interest is not yet satisfactory, despite the different procedures tested. A regressive support vector machine and a convolutional neural network UNet-MobileNet have been tested. To train the neural network, the images have been divided into small patches and augmented by a data augmentation process. The aim is to increase the number of available images and to improve the generalization of the model. The trained neural network shows irregular performances, although it produces interesting segmentations for some images. A F1 score of 0.61 and an accuracy of 88.1% are the best performances obtained in this study. There is still work to be done to optimize the parameters. Finally, marker’s expression areas are segmented into distinct cells thanks to a Watershed transform. However, the performance of this last step is difficult to evaluate since no Ground Truth currently exists for the segmentation of distinct cells. Indeed, the database used in this study was built with analyses from previous studies, which analysed the viability of the microdissected tumortissue model. These studies focused on fluorophore’s expression areas and our database would need to be augmented by a control dataset for the segmentation by distinct cells. Thus, this work is a first step to automate the image analysis process for microdissected tumour tissues. Although the developed solution still requires optimization before it can be really used in practice, some steps leading to the final result show very good performances. Therefore, it is promising to continue in this direction, in order to provide people using the microdissected tumor tissue model an automatic, reliable and fast solution to analyse their samples. This would simplify, accelerate, and even improve the studies using this model and would also be an additional step towards the possibility of using the model in clinical and preclinical fields.