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.