FR3132145A1 - Procédé de détection automatisée d’un élément biologique dans un échantillon de tissu - Google Patents

Abstract

Pour détecter automatiquement un élément biologique prédéterminé dans un échantillon de tissu d’un être humain ou animal : on alimente (12) au moins un réseau de neurones artificiel avec une pluralité d’images d’apprentissage automatique de l’élément biologique ; on traite une image de l’échantillon de tissu de façon à en extraire (22) des régions d’intérêt, où l’élément biologique est à détecter ; on subdivise (24) chaque région d’intérêt en une pluralité d’imagettes ; dans chaque imagette, en utilisant l’au moins un réseau de neurones artificiel, on obtient automatiquement (26) une prédiction de détection de l’élément biologique ; et on reconstruit (28) l’image de l’échantillon de tissu de l’individu comportant les prédictions de détection de l’élément biologique. Figure pour l’abrégé : Fig. 1

Description

PROCÉDÉ DE DÉTECTION AUTOMATISÉE D’UN ÉLÉMENT BIOLOGIQUE DANS UN ÉCHANTILLON DE TISSU

La présente invention se rapporte à un procédé de détection automatisée d’un élément biologique prédéterminé dans un échantillon de tissu prélevé sur un être humain ou animal.

L’invention appartient au domaine médical. Elle trouve à s’appliquer en particulier, mais pas uniquement, dans le domaine de la détermination de la densité de fibres nerveuses intraépidermiques.

La neuropathie des petites fibres (SFN, en anglais « Small Fiber Neuropathy ») se caractérise par des symptômes sensoriels dans les extrémités inférieures, des douleurs et un déficit quantitatif de petites fibres nerveuses.

La biopsie cutanée avec évaluation de la densité de fibres nerveuses intraépidermiques (IENFD, en anglais « IntraEpidermal Nerve Fiber Density ») est actuellement considérée comme la meilleure technique pour permettre au praticien de diagnostiquer une SFN.

Néanmoins, cette technique implique de procéder au décompte manuel des fibres nerveuses intraépidermiques, ce qui est très chronophage y compris pour un opérateur expérimenté et engendre en outre une forte variabilité des résultats, ainsi que des erreurs.

Plus généralement, en matière de détection d’un élément biologique prédéterminé dans un échantillon de tissu, il existe un besoin de rapidité, reproductibilité, robustesse et fiabilité de la technique de détection.

La présente invention a pour but de remédier aux inconvénients précités de l’art antérieur.

Dans ce but, la présente invention propose un procédé de détection automatisée d’un élément biologique prédéterminé dans un échantillon de tissu d’un être humain ou animal, remarquable en ce qu’il comporte des étapes consistant à :
obtenir une pluralité d’images d’apprentissage automatique de l’élément biologique, à partir d’une pluralité d’échantillons de tissu d’au moins un sujet ;
alimenter au moins un réseau de neurones artificiel avec la pluralité d’images d’apprentissage automatique ;
obtenir un empilement d’images, suivant une pluralité de plans parallèles, de l’échantillon de tissu de l’être humain ou animal ;
concaténer les images de l’empilement en une image unique ;
effectuer une détection automatique de contours dans l’image unique, appliquer les contours détectés à chaque image de l’empilement ;
extraire de chaque image de l’empilement une région d’intérêt, où l’élément biologique est à détecter ;
subdiviser chaque région d’intérêt en une pluralité d’imagettes ;
dans chaque imagette, en utilisant l’au moins un réseau de neurones artificiel, obtenir automatiquement une prédiction de détection de l’élément biologique ;
combiner chaque pluralité d’imagettes comportant les prédictions de détection en une image de chaque région d’intérêt, puis empiler les images de chaque région d’intérêt, de façon à obtenir une image reconstruite de l’échantillon de tissu de l’être humain ou animal comportant les prédictions de détection de l’élément biologique.

Le procédé selon l’invention a pour principal avantage d’être automatique. La détection automatique s’avère être d’une grande précision et offre un gain de temps significatif par comparaison aux techniques manuelles actuelles. En outre, les étapes successives de décomposition et d’analyse d’images mises en œuvre par le procédé selon l’invention ont pour originalité de permettre la détection d’éléments biologiques de taille très inférieure à ceux susceptibles d’être détectés par les techniques classiques de traitement d’images.

Dans un mode particulier de réalisation, l’étape d’obtention d’un empilement d’images, suivant une pluralité de plans parallèles, de l’échantillon de tissu de l’être humain ou animal comporte l’utilisation d’un scanner en immunofluorescence.

Ce type d’appareil permet d’obtenir de façon simple et directe des empilements d’images suivant plusieurs dizaines de plans.

Dans un mode particulier de réalisation, l’étape de détection automatique de contours comporte des étapes de floutage, dilatation et érosion d’image.

Le traitement de signal classique en vision par ordinateur comportant floutage, dilatation et érosion permet d’atténuer les artefacts locaux typiquement présents en imagerie médicale.

Dans un mode particulier de réalisation, l’étape d’extraction de la région d’intérêt met en œuvre un algorithme de segmentation sémantique, c’est-à-dire la détection par pixel de la région d’intérêt.

Dans un mode particulier de réalisation, chaque prédiction de détection est matérialisée par une boîte rectangulaire qui est le plus petit rectangle contenant l’image de l’élément biologique dont la détection est prédite.

Dans un mode particulier de réalisation, l’étape d’obtention automatique de la prédiction de détection en utilisant l’au moins un réseau de neurones artificiel comporte une étape de calcul de probabilité a posteriori pour des images.

Dans ce mode de réalisation, selon une caractéristique particulière possible, l’étape de calcul de probabilité a posteriori pour des images met en œuvre un filtre de Kalman, pour pallier les mesures bruitées, ce qui est souvent le cas pour l’imagerie médicale.

Cela permet de lisser et d’améliorer les résultats de la segmentation sémantique.

Dans un mode particulier de réalisation, le tissu est la peau et l’élément biologique est une fibre nerveuse intraépidermique.

L’invention s’applique en effet de façon particulièrement avantageuse à la détection automatique des fibres nerveuses intraépidermiques dans le cadre de la recherche des petites fibres nerveuses.

D’autres aspects et avantages de l’invention apparaîtront à la lecture de la description détaillée ci-après de modes particuliers de réalisation, donnés à titre d’exemples nullement limitatifs, en référence aux dessins annexés, dans lesquels :

est un organigramme illustrant les principales étapes d’un procédé conforme à la présente invention, dans un mode particulier de réalisation.

est un organigramme illustrant l’utilisation d’un filtre de Kalman appliqué à des images, comprise dans un mode particulier de réalisation du procédé conforme à la présente invention.

Description de mode(s) de réalisation

Le procédé conforme à l’invention met en œuvre un réseau de neurones artificiel. Il est donc nécessaire de fournir des données d’apprentissage automatique à ce réseau de neurones artificiel pour qu’il puisse fonctionner.

Ainsi, comme le montre l’organigramme de la , dans un mode particulier de réalisation, un procédé, conforme à la présente invention, de détection automatisée d’un élément biologique prédéterminé dans un échantillon de tissu d’un être humain ou animal comporte une première étape 10 consistant à obtenir une pluralité d’images d’apprentissage automatique de l’élément biologique, à partir d’une pluralité d’échantillons de tissu biologique d’un ou plusieurs sujets.

A titre d’exemple non limitatif, l’invention sera décrite dans son application à la détection automatisée de fibres nerveuses intraépidermiques.

Dans cet exemple, le tissu considéré est la peau et l’élément biologique considéré est une fibre nerveuse.

La pluralité d’échantillons de tissu sont typiquement obtenus par prélèvement sur un ou plusieurs sujets. Dans l’exemple non limitatif décrit ici, les échantillons de tissu peuvent être obtenus par biopsie cutanée à un ou plusieurs endroits, par exemple à la cheville, à la cuisse et/ou au poignet, si le sujet est un être humain.

Les images d’apprentissage automatique sont obtenues par exemple au moyen d’un appareil d’imagerie médicale tel qu’un scanner en immunofluorescence. On les étiquette de façon à y identifier l’élément biologique et éventuellement un certain nombre d’autres éléments constitutifs, ou biomarqueurs, des échantillons de tissu. Dans l’exemple non limitatif décrit ici, on identifie dans chaque image des éléments tels que la membrane basale, les petites fibres nerveuses, le derme et les fibres nerveuses traversant l’intersection dermo-épidermique.

Lors d’une étape suivante 12 du procédé conforme à l’invention, ces images d’apprentissage automatique sont fournies en entrée à un ou plusieurs réseaux de neurones artificiels. Différents réseaux de neurones peuvent être utilisés et on utilise avantageusement de multiples versions de chaque méthode d’apprentissage automatique. Différentes étiquettes peuvent être appliquées aux données d’apprentissage en fonction du modèle de réseau de neurones choisi et pour chaque modèle, différentes entrées, différentes représentations des données et/ou différents paramètres d’apprentissage peuvent être utilisés.

Puis lors d’une étape 14, on considère un échantillon de tissu d’un être humain ou animal spécifique, où l’élément biologique prédéterminé est à détecter. Au moyen du même appareil d’imagerie médicale, par exemple un scanner en immunofluorescence, on obtient un empilement d’images de l’échantillon de tissu de cet être humain ou animal, suivant une pluralité de plans parallèles, par exemple 20 plans. Dans un mode particulier de réalisation, on peut obtenir des images en niveaux de gris. En variante, on peut obtenir des images en couleur. Dans ce cas, on peut prévoir d’obtenir plusieurs empilements d’images, dont un par canal de couleur différente, chacun de ces canaux permettant la détection d’un élément constitutif, ou biomarqueur, différent de l’échantillon de tissu. A titre d’exemple non limitatif, les différents canaux peuvent être par exemple un canal vert et un canal rouge.

Dans l’exemple non limitatif décrit ici, les canaux vert et rouge permettent d’améliorer la détection de biomarqueurs. Le canal vert facilite la détection de la région épiderme-derme, tandis que le canal rouge améliore la détection des fibres nerveuses. De façon générale, l’utilisation de multiples couleurs améliore la robustesse des algorithmes de détection en imagerie médicale, mais reste optionnelle.

A ce stade du procédé, les images dites de lame entière en immunofluorescence (en anglais « fluorescence whole slide imaging ») sont très grandes et non exploitables au regard de la petite taille de l’élément biologique à détecter. C’est pourquoi, ensuite, lors d’une étape 16, on concatène les images de l’empilement en une image unique. Au cas où il y a plusieurs canaux, on concatène les images de chaque empilement, puis toutes les images ainsi concaténées en une image unique. On obtient cette image unique afin d’identifier automatiquement des sections dans les images de lame entière, l’objectif étant de créer un modèle à grosse maille pour y détecter rapidement les coupes réalisées dans l’échantillon de tissu, sachant qu’une même lame est susceptible de contenir plusieurs coupes.

L’étape suivante 20 consiste à détecter automatiquement les contours dans cette image unique. A cette fin, on peut éventuellement redimensionner l’image, par exemple par un facteur 0,1, ce qui permet d’appliquer des techniques de vision par ordinateur. Cette étape 20 de détection automatique de contours peut comporter des étapes de floutage pour atténuer les artefacts locaux, de dilatation d’image et d’érosion d’image impliquant un seuillage afin d’éliminer le bruit. La détection automatique de contours peut par exemple mettre en œuvre un algorithme du type disponible dans la bibliothèque graphique OpenCV.

Une fois les contours détectés dans l’image redimensionnée, on peut agrandir les contours détectés et les appliquer à chaque image concaténée (pour chacun des canaux susmentionnés s’il y a plusieurs canaux), puis à chaque image de l’empilement (pour chacun des canaux s’il y a plusieurs canaux).

Les images étant encore trop grandes pour permettre d’y détecter l’élément biologique recherché, l’étape suivante 22 consiste à extraire de chaque image de l’empilement (pour chacun des canaux s’il y a plusieurs canaux) une région d’intérêt, dans laquelle l’élément biologique est à détecter. Dans l’exemple non limitatif décrit ici, la région d’intérêt représente la région intraépidermique, où l’analyse des fibres nerveuses doit être effectuée. Pour accélérer le processus de détection de la région d’intérêt, on peut par exemple utiliser des images de taille 256 x 256 pixels.

L’étape 22 d’extraction de la région d’intérêt peut par exemple mettre en œuvre un algorithme de segmentation sémantique et on peut agrandir le résultat de cette segmentation avant de procéder à l’analyse de la région d’intérêt.

Pour cette analyse, lors de l’étape suivante 24, on subdivise chaque région d’intérêt en une pluralité d’imagettes (en anglais « patches »).

A l’étape suivante 26, dans chaque imagette, en utilisant le ou les réseau(x) de neurones artificiel(s), on obtient automatiquement une prédiction de détection de l’élément biologique prédéterminé, c’est-à-dire une prédiction de détection des fibres nerveuses dans l’exemple non limitatif décrit ici.

Dans l’exemple non limitatif décrit ici, pour accélérer ce processus, on applique en parallèle trois algorithmes de segmentation sémantique connus en soi, pour effectuer respectivement une segmentation des fibres nerveuses, une segmentation de la membrane basale et une segmentation de la zone du derme. Afin d’améliorer la robustesse et la reproductivité de la prédiction, on peut utiliser des techniques, connues en soi, d’augmentation de données qui viennent enrichir le jeu de données, par création aléatoire d’images ayant subi par exemple un découpage partiel et/ou une rotation et/ou une modification des couleurs.

Dans un mode particulier de réalisation, on peut mettre à profit les propriétés particulières d’un élément constitutif, ou biomarqueur, du tissu étudié pour lui appliquer, durant l’étape 26 d’obtention des prédictions de détection, un calcul de probabilité a posteriori. Dans l’exemple non limitatif décrit ici, la membrane basale a pour propriété d’être généralement une ligne continue dans chaque plan parmi les plans parallèles de l’empilement. Il est avantageux de réaliser une étape de calcul de probabilité a posteriori sur les résultats de la segmentation de la membrane basale permettant grandement de réduire le bruit dans une image. L’utilisation du filtre de Kalman pour les images, qui peut être mise en œuvre dans un mode particulier de réalisation du procédé conforme à la présente invention, est à ce titre novateur. De façon alternative au filtre de Kalman, le procédé peut inclure tout autre processus permettant de débruiter les données.

Comme le montre la , cette étape optionnelle de calcul de probabilité a posteriori peut par exemple mettre en œuvre un filtre de Kalman. Pour cela, on utilise tous les résultats de prédiction pour la membrane basale, sur les images bidimensionnelles selon tous les plans parallèles de l’empilement (on suppose sur le dessin à titre d’exemple non limitatif qu’il y a Z plans désignés par z = -10, z = -9, …, z = -1, z = 1, …, z= 9, z = 10). On concatène ces résultats de prédiction (les « images 2D prédites » 200 sur le dessin) de façon à obtenir une image tridimensionnelle par exemple de taille 512 x 512 x 20 pixels, on crée dans cette image des imagettes tridimensionnelles ayant une taille spécifique de noyau par normalisation des images au cours d’une étape 202 (en utilisant par exemple une fonction logistique pour la transformation des images) et on applique un filtre de Kalman à chaque imagette tridimensionnelle. La taille de chaque imagette tridimensionnelle est choisie de façon à être adaptée au coût calculatoire du filtre de Kalman et sachant que seuls les pixels des plus proches voisins seront nécessaires pour reconstruire l’image de la membrane basale.

A l’étape 204, l’état initial du filtre de Kalman est choisi non pas de façon aléatoire, mais en utilisant la moyenne des prédictions de chaque imagette tridimensionnelle le long de l’axe de l’empilement. Autrement dit, on travaille sur des images bidimensionnelles qui correspondent aux différentes couches de l’empilement. Après application du filtre de Kalman à chaque imagette lors d’une étape 206, on dispose de nouveaux résultats de prédiction (les « nouvelles images 2D prédites » 208 sur le dessin) et on reconstruit l’image tridimensionnelle avec une prédiction actualisée et donc améliorée pour chaque imagette tridimensionnelle selon son plan le plus proche dans l’empilement, c’est-à-dire qu’on utilise l’état de prédiction d’une couche de l’empilement pour prédire l’état de prédiction de la couche la plus proche.

Dans l’exemple non limitatif décrit ici, à partir de la prédiction de détection de la membrane basale, on peut obtenir une détection du derme, en combinant la prédiction de détection de la membrane basale avec des techniques connues en soi de vision par ordinateur.

A l’issue de l’étape 26 d’obtention automatique des prédictions de détection, une étape 28 du procédé selon l’invention est effectuée, dans laquelle chaque pluralité d’imagettes comportant les prédictions de détection est combinée en une image de chaque région d’intérêt, puis les images de chaque région d’intérêt sont empilées, de façon à obtenir une image reconstruite de l’échantillon de tissu de l’être humain ou animal examiné, comportant les prédictions de détection de l’élément biologique prédéterminé, c’est-à-dire les fibres nerveuses dans l’exemple non limitatif décrit ici.

Dans l’exemple non limitatif décrit ici, les prédictions de détection issues des segmentations sémantiques des fibres nerveuses, de la membrane basale et du derme sont combinées en une image unique, où un canal de couleur différente représente la prédiction de chacun de ces éléments constitutifs, ou biomarqueurs, de l’échantillon : par exemple, un canal rouge représente la prédiction des fibres nerveuses, un canal vert représente la prédiction de la membrane basale et un canal bleu représente la prédiction du derme.

Dans un mode particulier de réalisation, chaque prédiction de détection de l’élément biologique prédéterminé est matérialisée par une boîte rectangulaire (en anglais « bounding box »), qui est le plus petit rectangle contenant l’image de l’élément biologique dont la détection est prédite.

Au début de l’étape 28 d’obtention d’une image reconstruite de l’échantillon comportant les prédictions de détection, les boîtes rectangulaires sont présentes dans les imagettes bidimensionnelles des empilements suivant la pluralité de plans parallèles. Puis toutes les imagettes sont combinées, c’est-à-dire que toutes les prédictions exprimées par les boîtes rectangulaires sont empilées, afin de recréer une coupe de l’échantillon de tissu. On calcule alors pour chaque prédiction, c’est-à-dire pour chaque boîte rectangulaire, la distance par paire (en anglais « pairwise distance »), c’est-à-dire la distance entre les boîtes rectangulaires prises deux à deux. On obtient ainsi une matrice des distances par paire. En considérant l’empilement des boîtes rectangulaires, on obtient ainsi l’intersection tridimensionnelle correspondant au croisement des boîtes rectangulaires sur tout l’empilement.

On peut par exemple décider que plus deux boîtes rectangulaires sont proches l’une de l’autre, plus leur distance par paire a une valeur proche de 1 et qu’inversement, une valeur proche de 0 signifie que les deux boîtes rectangulaires de la paire considérée ne sont pas du tout proches l’une de l’autre. En utilisant des techniques d’apprentissage non supervisé et des techniques de regroupement, on peut alors regrouper les boîtes rectangulaires dont on a calculé qu’elles étaient proches les unes des autres et ainsi aboutir à une cartographie de l’échantillon de tissu localisant chaque occurrence de l’élément biologique prédéterminé, conformément aux prédictions de détection obtenues.

Claims (8)

1. Procédé de détection automatisée d’un élément biologique prédéterminé dans un échantillon de tissu d’un être humain ou animal, caractérisé en ce qu’il comporte des étapes consistant à :
   obtenir (10) une pluralité d’images d’apprentissage automatique dudit élément biologique, à partir d’une pluralité d’échantillons de tissu d’au moins un sujet ;
   alimenter (12) au moins un réseau de neurones artificiel avec ladite pluralité d’images d’apprentissage automatique ;
   obtenir (14) un empilement d’images, suivant une pluralité de plans parallèles, dudit échantillon de tissu dudit être humain ou animal ;
   concaténer (16) les images dudit empilement en une image unique ;
   effectuer (20) une détection automatique de contours dans ladite image unique, appliquer les contours détectés à chaque image dudit empilement pour chacun desdits canaux ;
   extraire (22) de chaque image dudit empilement une région d’intérêt, où ledit élément biologique est à détecter ;
   subdiviser (24) chaque région d’intérêt en une pluralité d’imagettes ;
   dans chaque imagette, en utilisant ledit au moins un réseau de neurones artificiel, obtenir automatiquement (26) une prédiction de détection dudit élément biologique ;
   combiner chaque pluralité d’imagettes comportant lesdites prédictions de détection en une image de chaque région d’intérêt, puis empiler les images de chaque région d’intérêt, de façon à obtenir (28) une image reconstruite dudit échantillon de tissu dudit être humain ou animal comportant lesdites prédictions de détection dudit élément biologique.
2. Procédé selon la revendication 1, caractérisé en ce que l’étape (14) d’obtention d’un empilement d’images, suivant une pluralité de plans parallèles, dudit échantillon de tissu dudit être humain ou animal comporte l’utilisation d’un scanner en immunofluorescence.
3. Procédé selon la revendication 1 ou 2, caractérisé en ce que l’étape (20) de détection automatique de contours comporte des étapes de floutage, dilatation et érosion d’image.
4. Procédé selon la revendication 1, 2 ou 3, caractérisé en ce que l’étape (22) d’extraction de ladite région d’intérêt met en œuvre un algorithme de segmentation sémantique.
5. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que chaque prédiction de détection est matérialisée par une boîte rectangulaire qui est le plus petit rectangle contenant l’image dudit élément biologique dont la détection est prédite.
6. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que l’étape (26) d’obtention automatique de ladite prédiction de détection en utilisant ledit au moins un réseau de neurones artificiel comporte une étape de calcul de probabilité a posteriori pour des images.
7. Procédé selon la revendication 6, caractérisé en ce que ladite étape de calcul de probabilité a posteriori pour des images met en œuvre un filtre de Kalman.
8. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que ledit tissu est la peau et ledit élément biologique est une fibre nerveuse intraépidermique.