Clustering of the White Matter Tracts in the Rat Spinal Cord Based on Quantitative Histology

La matière blanche de la moelle épinière est vraiment importante pour la transmission de l'information entre le corps et le cerveau et vice-versa. La matière blanche est divisée entre différents faisceaux (tracts) dépendamment de la fonctionnalité de chaque faisceau. Dans les pathologies qui affectent la moelle épinière, c'est normalement les faisceaux de la matière blanche qui sont les plus affectées. Comprendre comment les faisceaux sont divisés est donc important pour mettre en place une méthodologie qui peut facilement identifier les faisceaux sains et les comparer avec ceux qui sont pathologiques. Présentement, les techniques utilisées pour déterminer les faisceaux de la matière blanche sont des techniques relativement anciennes qui utilisent différents types des colorants pour identifier différents types de cellules. Les atlas de matière blanche étaient créés par la suite visuellement en se basant sur ces colorants. En plus, l'atlas était souvent créé sur un seul échantillon (e.g. un rat), ainsi, même avec plusieurs colorants, il n'était pas possible de visualiser tous les faisceaux. Le but de ce projet était justement de créer une méthodologie qui permet de visualiser tous les faisceaux de la matière blanche en combinant une haute résolution en histologie quantitative et un algorithme de regroupement. On a appliqué trois types d'algorithmes de regroupement: l'agglomerative clustering, le k-means clustering et le spectral clustering. On a aussi validé les trois algorithmes visuellement en comparant la position des faisceaux avec les anciens atlas et aussi quantitativement avec la silhouette score et le davies-bouldin score. L'algorithme de l'agglomerative clustering a permis d'identifier des faisceaux similaires à ceux de l'ancien atlas de Paxinos pour le rat que les deux autres algorithmes de regroupement. Par contre, en utilisant les méthodes de validation quantitative, on a constaté que le spectral clustering a un meilleur score (0.43 silhouette et 0.85 davies-bouldin) que les deux autres algorithmes. On peut voir cependant que les clusters de l'agglomerative clustering semble donner de meilleur résultat et plus stable que les deux autres algorithmes. En particulier, on a pu identifier des faisceaux que le paxinos atlas de rat ne comprend pas. En conclusion, on a vu que le fait d'appliquer un algorithme de regroupement sur des données quantitatives d'histologie a donné des résultats comparables avec ce qui est déjà dans la littérature. On pouvait alors essayer d'implémenter ça sur d'autres espèces et sur des données pathologiques pour voir comment les pathologies affectent les faisceauxs de la matière blanche.

Abstract

The white matter tracts in the spinal cord make up the entire cytoarchitecture of how information travels from the body to the brain and vice-versa. It is usually the white matter tracts that are the target of pathologies and thus would impact all the various functions of the body from motor control to loss of organ function. It is therefore quite important to understand how the tracts are grouped and to develop more easily available and simple to use techniques to do so. The methods at this point in time that have been used to characterize the white matter tracts have all been done using manual staining techniques and visual delineation of the tracts based off of these stains. Furthermore, specifically for the rat atlas, the gold standard was done using only a single specimen. Moreover, they were still unable to visualize all of the tracts that based off of the literature are supposed to be there. Therefore, we have developed a pipeline to be able to visualize the tracts of the white matter based solely on high resolution quantitative histology using only one stain to visualize the myelin sheath from which then we can obtain various metric maps such as the axon diameter and density as well as myelin thickness. We applied three clustering algorithms on the averaged metric maps of the 5 rats to visualize the best results for the clustering and then validated them quantitatively. The algorithms we tested were agglomerative clustering, k-means clustering and spectral clustering along with the validation methods of silhouette score and davies-bouldin score. Based on the visual comparison between the results and the gold standard atlases currently in use, agglomerative clustering seemed to have a more representative output in comparison. The clusters also seemed more stable for agglomerative clustering compared to the other two techniques. However, based on the quantitative validation, the silhouette score was higher for spectral clustering (0.43) versus 0.38 and 0.37 for agglomerative clustering and k-means clustering respectively. The davies-bouldin score was better for spectral and k-means clustering (0.85 and 0.87) whereas for agglomerative clustering a score of 2.68 was obtained. All things taken into account however, it would seem that agglomerative clustering with the use of a connectivity matrix gives the most stable and comparable results. Thus, we were able to implement a pipeline using quantitative metrics as the sole inputs to obtain very similar results to the gold standard atlases with an applied clustering algorithm. We can therefore apply this pipeline on other species to investigate the placement of the white matter tracts as well as implement it on pathological data to see how pathologies would affect the white matter tracts.