Analyse de la morphologie axonale : du traitement des images à la modélisation

Axonal morphology analysis : from image processing to modelling

• Auteur / Autrice : Alejandro Ricardo Mottini d'Oliveira
• Direction : Xavier Descombes
• Type : Thèse de doctorat
• Discipline(s) : Automatique, traitement du signal et des images
• Date : Soutenance le 30/09/2014
• Etablissement(s) : Nice
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - MORPHEME
• Jury : Président / Présidente : Michèle Studer
• Jury : Examinateurs / Examinatrices : Xavier Descombes, Michèle Studer, Anuj Srivastava, François Lauze, Florence Besse, Charles Kervrann
• Jury : Rapporteurs / Rapporteuses : Anuj Srivastava, François Lauze

Mots clés

Mots clés contrôlés

Simulation, Méthodes de

Forme, Théorie de la (topologie)

Morphologie (biologie)

Mots clés libres

Analyse morphologique

Théorie des formes élastiques

Morphological analysis

Elastic shape analysis

Résumé

L'analyse de la morphologie axonale est un problème important en neuroscience. Diverses études ont montré que les caractéristiques morphologiques de ces structures donnent des informations sur son fonctionnement et permettent la caractérisation d'états pathologiques. En conséquence, il est important de développer des méthodes pour étudier leurs formes et quantifier leurs différences structurelles.Dans cette thèse on propose une méthode pour la comparaison des arbres axonaux qui inclue des informations topologiques et géométriques. La méthode est fondée sur la théorie des formes élastiques. Avec cette approche, nous pouvons exhiber le chemin géodésique entre deux formes et la forme moyenne d'un ensemble d'échantillons. En outre, nous proposons un schéma de classification à partir de cette métrique que nous comparons à l'état de l'art. Finalement, nous proposons un modèle stochastique pour la simulation de la croissance axonale défini par une chaîne de Markov. Il considère 2 processus principaux qui modélisent l'élongation et forme de l'axone et la génération des branches. Le processus de croissance dépend de différentes variables, dont un champ externe d'attraction généré par certaines molécules dans l'environnement. Les deux techniques proposées ont été validées sur une base d'images de microscopie confocale de neurones chez la Drosophile. Des neurones normaux et modifiés génétiquement ont été considérés. Les résultats montrent que la méthode de comparaison proposée fournit de meilleurs résultats que les méthodes décrites dans la littérature. De plus, les paramètres du modèle donnent des informations sur le processus de croissance de chaque population d'axones.

The morphological analysis of axonal trees is an important problem in neuroscience. It has been shown that the morphological characteristics of thesestructures provide information on their functioning and allows the characterization of pathological states. Therefore, it is of great importance to develop methods to analyze their shape and to quantify differences between structures. In this thesis we propose a method for the comparison of axonal trees that takes into account both topological and geometrical information. Using this method, which is based on the Elastic Shape Analysis Framework, we can compute the geodesic path between two axons and the mean shape of a population of trees. In addition, we derive a classfication scheme based on this metric and compare it with state of the art approaches. Finally, we propose a 2D discrete stochastic model for the simulation of axonal biogenesis. The model is defined by a third order Markov Chain and considers two main processes: the growth process that models the elongation and shape of the neurites and the bifurcation process that models the generation of branches. The growth process depends, among other variables, on an external attraction field. Both techniques were validated on a database of real fluorescent confocal microscopy images of neurons within Drosophila fly brains. Both normal neurons and neurons in which certain genes were inactivated have been considered. Results show that the proposed comparison method obtains better results that other methods found in the literature, and that the model parameter values provide information about the growth properties of the populations.