Schéma fonctionnel et performances de SeBRe. une. Architecture de schéma de principe de SeBRe. Les sections cérébrales (à gauche) sont envoyées en entrée au masque RCNN et la sortie (à droite) montre les régions cérébrales segmentées (enregistrées) au-dessus de la section cérébrale d'entrée. b. Comparaison qualitative des performances de SeBRe sur des coupes cérébrales latérales (rangées 1-2) et médiales (rangées 3-4) avec des masques annotés par l'homme. SeBRe fonctionne de manière optimale sur la prédiction des masques des régions du cerveau, pour les versions verticales (colonne 2) et tournées (colonne 3) des sections cérébrales d'entrée. Crédit :Theofanis Karayannis et al.
Une équipe de chercheurs de l'Institut de recherche sur le cerveau de l'Université de Zurich et de l'Institut fédéral suisse de technologie (ETH) a développé une méthode d'enregistrement du cerveau entièrement automatisée qui pourrait être utilisée pour segmenter les régions cérébrales d'intérêt chez la souris.
Les neuroscientifiques sont toujours à la recherche de nouvelles méthodes pour explorer la structure et la fonction de différentes régions du cerveau, qui sont initialement appliqués sur les animaux mais pourraient à terme conduire à des découvertes importantes sur l'organisation du cerveau humain.
"Mon laboratoire vise à révéler comment le cerveau des mammifères développe ses capacités à traiter et à réagir aux stimuli sensoriels, " Théofanis Karayannis, l'un des chercheurs qui a mené l'étude a déclaré à Tech Xplore. "La plupart du travail que nous faisons est du côté expérimental, utilisant la souris comme système modèle et des techniques allant de la génétique moléculaire à fonctionnelle et anatomique. »
Cette étude fait partie d'un projet plus vaste, qui comprend également « Explorer le développement de l'inhibition à l'échelle du cerveau grâce à l'apprentissage en profondeur, " une étude dans laquelle Karayannis et ses collègues utilisent des algorithmes d'apprentissage en profondeur pour suivre de manière exhaustive les neurones dits inhibiteurs au fil du temps afin d'évaluer le développement des capacités du cerveau à des moments spécifiques.
Pour faire ça, ils ont essayé de concevoir une méthode qui pourrait délimiter et segmenter avec précision différentes régions du cerveau dans des images expérimentales du cerveau de souris en développement, pour extraire ensuite des informations sur l'emplacement et la densité des neurones inhibiteurs.
Comparaison des performances de SeBRe avec les méthodes d'enregistrement du cerveau couramment utilisées. une. Performances de SeBRe dans la prédiction des régions cérébrales sur des sections cérébrales latérales et médiales sélectionnées au hasard par rapport aux méthodes nreg et elastix. b. Tracé des scores Mse pour toutes les sections du cerveau dans l'ensemble de données de test, pour SeBRe, nreg, et elastix. c. Scores MSE moyens pour SeBRe, nreg et elastix. c. Scores MSE moyens pour SeBRe, nreg et elastix, sur l'ensemble de données complet. Crédit :Theofanis Karayannis et al.
"En utilisant les compétences informatiques d'Asim Iqbal, un doctorant dans mon laboratoire, nous avons d'abord cherché à tester l'utilité de quelques méthodes basées sur l'enregistrement d'images qui ont attiré l'attention dans les études en neurosciences au cours de la dernière année, " explique Karayannis. " Nous avons rapidement réalisé que les techniques existantes sont sous-optimales pour les cas où les coupes de tissus sont tournées ou lorsque leur géométrie est compromise en raison de problèmes méthodologiques, par exemple pendant le tranchage du tissu cérébral."
Après avoir observé les limites des méthodes existantes basées sur l'enregistrement d'images, les chercheurs ont entrepris de développer un nouvel outil d'apprentissage en profondeur qui peut produire des résultats fiables quelle que soit l'échelle possible, rotation et problèmes morphologiques affectant des sections de tissus cérébraux.
Cette méthode, appelé SeBRe (Segmenting Brain Regions), permet l'enregistrement en segmentant les régions cérébrales d'intérêt, qui pourraient aider les scientifiques dans leurs études des régions du cerveau à travers une variété de stades de développement. SeBRe prend des coupes de cerveau, ainsi que les masques binaires des régions cérébrales, comme entrée pour la formation.
Les chercheurs ont entraîné leur réseau de neurones sur des coupes cérébrales de souris âgées de 14 jours, pour deux marqueurs génétiques. Ils ont ensuite testé ses performances en générant des masques anatomiques de sections précédemment non identifiées du cerveau de 4, 14, 28, et des souris de 56 jours, à travers une gamme de marqueurs neuronaux. SeBRe a surpassé toutes les méthodes d'enregistrement du cerveau existantes, fournissant le score minimum d'erreur quadratique moyenne (MSE) sur un ensemble de données de cerveau de souris.
« Notre étude propose un roman, approche robuste des méthodes affines et non affines actuelles pour l'enregistrement des aires cérébrales, ", dit Karayannis. "Cela indique également l'applicabilité d'une méthode basée sur l'intelligence artificielle pour segmenter les structures cérébrales d'intérêt."
Masques de régions cérébrales sur des coupes sagittales latérales et médiales de cerveaux de souris P14 GAD1 et VGAT. Les deux premières rangées de la colonne 1 montrent les sections latérales tandis que les deux dernières rangées montrent les sections médiales du cerveau. Les colonnes 2-6 montrent les masques de vérité terrain de cinq exemples de régions cérébrales. Les régions varient en forme et en taille à mesure que nous passons de latérale à médiale (par exemple, comparez l'hippocampe à travers la colonne 3, pour toutes les coupes cérébrales). Crédit :Théofanis
Dans le futur, SeBRe pourrait jouer un rôle déterminant dans le suivi et la quantification des changements anatomiques dans le cerveau au cours du développement, ainsi que d'identifier d'autres informations significatives, tels que quels gènes sont exprimés au cours du développement d'un cerveau de souris et leurs qualités spatio-temporelles.
Jusque là, leur algorithme d'apprentissage en profondeur n'a été formé que sur quelques régions du cerveau et les chercheurs ont découvert qu'il fonctionnait de manière sous-optimale sur d'autres zones avec des structures 3-D complexes.
Karayannis et ses collègues prévoient maintenant d'étendre leur méthode pour segmenter diverses sous-régions du cerveau de la souris et de l'homme, en utilisant davantage de données annotées pour optimiser davantage les performances de leur algorithme.
"Avec un peu de chance, cette étude est le début d'une voie qui nous permettra à terme, à nous et à la communauté, d'explorer les altérations de la structure et du fonctionnement du cerveau, non seulement à travers les différents stades de développement, mais aussi dans des troubles cérébraux dévastateurs, aider à identifier de nouveaux biomarqueurs et à formuler de nouvelles hypothèses sur la génération et la progression de la maladie, " dit Karayannis.
© 2018 Tech Xplore
