L’histologie est la méthode de choix pour l’étude ex vivo de la distribution spatiale des molécules qui composent les organes. En particulier, l’histologie permet de mettre en évidence les marqueurs neuropathologiques de la maladie d’Alzheimer ce qui en fait un outil incontournable pour étudier la physiopathologie de la maladie et pour évaluer l’efficacité de candidats médicaments. Classiquement, l’analyse de données histologiques implique de lourdes interventions manuelles, et de ce fait, est souvent limitée à l’analyse d’un nombre restreint de coupe histologiques et à quelques régions d’intérêts. Dans ce travail de thèse, nous proposons une méthode automatique pour l’analyse quantitative de marqueurs histopathologiques en trois dimensions dans le cerveau entier de rongeurs. Les images histologiques deux-dimensionnelles sont d’abord reconstruites en trois dimensions en utilisant l’imagerie photographique de bloc comme référence géométrique et les marqueurs d’intérêts sont segmentés par apprentissage automatique. Deux approches sont proposées pour détecter des différences entre groupes d’animaux: la première est basée sur l’utilisation d’une ontologie anatomique de cerveau qui permet détecter des différences à l’échelle de structures entières et la deuxième approche est basée sur la comparaison voxel-à-voxel afin de détecter des différences locales sans a priori spatial. Cette méthode a été appliquée dans plusieurs études chez des souris modèles de déposition amyloïde afin d’en démontrer l’utilisabilité. / Histology is the gold standard to study the spatial distribution of the molecular building blocks of organs. In humans and in animal models of disease, histology is widely used to highlight neuropathological markers on brain tissue sections. This makes it particularly useful to investigate the pathophysiology of neurodegenerative diseases such as Alzheimer’s disease and to evaluate drug candidates. However, due to tedious manual interventions, quantification of histopathological markers is classically performed on a few tissue sections, thus restricting measurements to limited portions of the brain. Quantitative methods are lacking for whole-brain analysis of cellular and pathological markers. In this work, we propose an automated and scalable method to thoroughly quantify and analyze histopathological markers in 3D in rodent whole brains. Histology images are reconstructed in 3D using block-face photography as a spatial reference and the markers of interest are segmented via supervised machine learning. Two complimentary approaches are proposed to detect differences in histopathological marker load between groups of animals: an ontology-based approach is used to infer difference at the level of brain regions and a voxel-wise approach is used to detect local differences without spatial a priori. Several applications in mouse models of A-beta deposition are described to illustrate 3D histopathology usability to characterize animal models of brain diseases, to evaluate the effect of experimental interventions, to anatomically correlate cellular and pathological markers throughout the entire brain and to validate in vivo imaging techniques.
Identifer | oai:union.ndltd.org:theses.fr/2015PA066411 |
Date | 12 October 2015 |
Creators | Vandenberghe, Michel |
Contributors | Paris 6, Delzescaux, Thierry, Frouin, Frédérique |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0013 seconds