EP4469971A1 - Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu - Google Patents

Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu

Info

Publication number
EP4469971A1
EP4469971A1 EP23703635.5A EP23703635A EP4469971A1 EP 4469971 A1 EP4469971 A1 EP 4469971A1 EP 23703635 A EP23703635 A EP 23703635A EP 4469971 A1 EP4469971 A1 EP 4469971A1
Authority
EP
European Patent Office
Prior art keywords
detection
images
image
biological element
stack
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23703635.5A
Other languages
German (de)
English (en)
Inventor
Damien HERVAULT
Hugo SEVILLIA
Vincent BLOT
Alexandra Lorenzo
Nicolas Brunel
Clovis ADAM
Céline LABEYRIE
Olivier TRASSARD
David Adams
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capgemini Consulting
Assistance Publique Hopitaux de Paris APHP
Institut National de la Sante et de la Recherche Medicale INSERM
Universite Paris Saclay
Original Assignee
Capgemini Consulting
Assistance Publique Hopitaux de Paris APHP
Institut National de la Sante et de la Recherche Medicale INSERM
Universite Paris Saclay
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Capgemini Consulting, Assistance Publique Hopitaux de Paris APHP, Institut National de la Sante et de la Recherche Medicale INSERM, Universite Paris Saclay filed Critical Capgemini Consulting
Publication of EP4469971A1 publication Critical patent/EP4469971A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Definitions

  • the present invention relates to a method for the automated detection of a predetermined biological element in a tissue sample taken from a human or animal being.
  • the invention belongs to the medical field. It finds application in particular, but not exclusively, in the field of determining the density of intraepidermal nerve fibers.
  • SFN Small fiber neuropathy
  • the present invention aims to remedy the aforementioned drawbacks of the prior art.
  • the present invention proposes a method for the automated detection of a predetermined biological element in a tissue sample from a human or animal being, remarkable in that it comprises steps consisting of: obtaining a plurality of machine learning images of the biological element, from a plurality of tissue samples from at least one subject; feeding at least one artificial neural network with the plurality of machine learning images; obtaining a stack of images, along a plurality of parallel planes, of the tissue sample of the human or animal being; concatenate the images of the stack into a single image; performing an automatic detection of contours in the single image, applying the detected contours to each image of the stack; extracting from each image of the stack a region of interest, where the biological element is to be detected; subdividing each region of interest into a plurality of thumbnails; in each thumbnail, by using the at least one artificial neural network, automatically obtaining a detection prediction of the biological element; combine each plurality of imagettes comprising the detection predictions into an image of each region of interest, then stack the images of each region
  • the method according to the invention has the main advantage of being automatic. Automatic detection proves to be highly accurate and offers significant time savings compared to current manual techniques.
  • the successive steps of decomposition and image analysis implemented by the method according to the invention have the originality of allowing the detection of biological elements of much smaller size than those likely to be detected by conventional image processing techniques.
  • the step of obtaining a stack of images, along a plurality of parallel planes, of the tissue sample of the human or animal being includes the use of an immunofluorescence scanner.
  • the step of automatic edge detection comprises steps of image blurring, dilation and erosion.
  • each detection prediction is materialized by a rectangular box which is the smallest rectangle containing the image of the biological element whose detection is predicted.
  • the a posteriori probability calculation step for images implements a Kalman filter, to compensate for noisy measurements, which is often the case for medical imaging.
  • a method, in accordance with the present invention for the automated detection of a predetermined biological element in a tissue sample from a human or animal being comprises a first step 10 consisting in obtaining a plurality of automatic learning images of the biological element, from a plurality of biological tissue samples from one or more subjects.
  • the invention will be described in its application to the automated detection of intraepidermal nerve fibers.
  • the tissue considered is the skin and the biological element considered is a nerve fiber.
  • the plurality of tissue samples are typically obtained by taking samples from one or more subjects.
  • the tissue samples can be obtained by skin biopsy from one or more places, for example at the ankle, thigh and/or wrist, if the subject is a human being.
  • the automatic learning images are obtained for example by means of a medical imaging device such as an immunofluorescence scanner. They are labeled so as to identify the biological element and possibly a certain number of other constituent elements, or biomarkers, of the tissue samples.
  • a medical imaging device such as an immunofluorescence scanner.
  • They are labeled so as to identify the biological element and possibly a certain number of other constituent elements, or biomarkers, of the tissue samples.
  • elements such as the basal membrane, the small nerve fibers, the dermis and the nerve fibers crossing the dermal-epidermal intersection.
  • these automatic learning images are supplied as input to one or more artificial neural networks.
  • Different neural networks can be used and advantageously multiple versions of each machine learning method are used.
  • Different labels can be applied to the training data depending on the chosen neural network model and for each model different inputs, different data representations and/or different training parameters can be used.
  • the so-called whole slide immunofluorescence images are very large and cannot be used in view of the small size of the biological element to be detected. This is why, then, during a step 16, the images are concatenated stacking into a single image. If there are several channels, the images of each stack are concatenated, then all the images thus concatenated into a single image. This single image is obtained in order to automatically identify sections in the whole slide images, the objective being to create a large-mesh model to quickly detect the cuts made in the tissue sample, knowing that the same slide is likely to contain several sections.
  • the next step 20 consists in automatically detecting the contours in this single image.
  • the image can possibly be resized, for example by a factor of 0.1, which makes it possible to apply computer vision techniques.
  • This step 20 of automatic contour detection can include blurring steps to attenuate local artefacts, image dilation and image erosion involving thresholding in order to eliminate noise.
  • Automatic contour detection can for example implement an algorithm of the type available in the OpenCV graphics library.
  • the detected contours can be enlarged and applied to each concatenated image (for each of the aforementioned channels if there are several channels), then to each image of the stack (for each of the channels if there are several channels).
  • the next step 22 consists in extracting from each image of the stack (for each of the channels if there are several channels) a region of interest, in which the biological element is to be detected.
  • the region of interest represents the intraepidermal region, where nerve fiber analysis is to be performed.
  • images of size 256 x 256 pixels can for example use images of size 256 x 256 pixels.
  • the step 22 for extracting the region of interest can for example implement a semantic segmentation algorithm and the result of this segmentation can be enlarged before proceeding with the analysis of the region of interest.
  • each region of interest is subdivided into a plurality of thumbnails (“patches”).
  • a prediction of detection of the predetermined biological element is automatically obtained, that is to say a prediction of detection of nerve fibers in the non-limiting example described here.
  • the basal membrane has the property of generally being a continuous line in each plane among the parallel planes of the stack. It is advantageous to carry out an a posteriori probability calculation step on the results of the segmentation of the basal membrane, making it possible to greatly reduce the noise in an image.
  • the use of the Kalman filter for the images which can be implemented in a particular embodiment of the method in accordance with the present invention, is in this respect innovative.
  • the method can include any other process making it possible to denoise the data.
  • this optional a posteriori probability calculation step can for example implement a Kalman filter.
  • prediction results are concatenated (the “predicted 2D images” 200 in the drawing) so as to obtain a three-dimensional image, for example of size 512 ⁇ 512 ⁇ 20 pixels, we create in this image of the three-dimensional imagettes having a specific size of kernel by normalization of the images during a step 202 (by using for example a logistic function for the transformation of the images) and a Kalman filter is applied to each three-dimensional imagette.
  • the size of each three-dimensional image is chosen so as to be adapted to the computational cost of the Kalman filter and knowing that only the pixels of the nearest neighbors will be necessary to reconstruct the image of the basement membrane.
  • step 204 the initial state of the Kalman filter is chosen not randomly, but by using the mean of the predictions of each three-dimensional image along the axis of the stack. In other words, we work on two-dimensional images that correspond to the different layers of the stack.
  • new prediction results are available (“new predicted 2D images” 208 in the drawing) and the three-dimensional image is reconstructed with an updated and therefore improved prediction for each three-dimensional imagette according to its closest plane in the stack, that is to say the prediction state of a layer of the stack is used to predict the prediction state of the closest layer. close.
  • a step 28 of the method according to the invention is carried out, in which each plurality of thumbnails comprising the detection predictions is combined into an image of each region of interest, then the images of each region of interest are stacked, so as to obtain a reconstructed image of the tissue sample of the human being or animal examined, comprising the detection predictions of the predetermined biological element, that is to say i.e. the nerve fibers in the non-limiting example described here.
  • the detection predictions resulting from the semantic segmentations of the nerve fibers, the basal membrane and the dermis are combined into a single image, where a different colored channel represents the prediction of each of these building blocks, or biomarkers, of the sample: for example, a red channel represents the nerve fiber prediction, a green channel represents the basement membrane prediction, and a blue channel represents the dermis prediction.
  • each detection prediction of the predetermined biological element is materialized by a rectangular box (“bounding box”), which is the smallest rectangle containing the image of the biological element whose detection is predicted.
  • step 28 for obtaining a reconstructed image of the sample comprising the detection predictions the rectangular boxes are present in the two-dimensional thumbnails of the stacks along the plurality of parallel planes. Then all the thumbnails are combined, i.e. all the predictions expressed by the rectangular boxes are stacked, in order to recreate a section of the tissue sample.
  • the pairwise distance i.e. the distance between the rectangular boxes taken two by two.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

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.

Description

Description
Titre de l'invention : PROCÉDÉ DE DÉTECTION AUTOMATISÉE D’UN ÉLÉMENT BIOLOGIQUE DANS UN ÉCHANTILLON DE TISSU
[0001] 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.
[0002] 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.
[0003] 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.
[0004] 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.
[0005] 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.
[0006] 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.
[0007] La présente invention a pour but de remédier aux inconvénients précités de l’art antérieur.
[0008] 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.
[0009] 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.
[0010] 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.
[0011] Ce type d’appareil permet d’obtenir de façon simple et directe des empilements d’images suivant plusieurs dizaines de plans. [0012] Dans un mode particulier de réalisation, l’étape de détection automatique de contours comporte des étapes de floutage, dilatation et érosion d’image.
[0013] 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.
[0014] 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.
[0015] 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.
[0016] 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.
[0017] 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.
[0018] Cela permet de lisser et d’améliorer les résultats de la segmentation sémantique.
[0019] Dans un mode particulier de réalisation, le tissu est la peau et l’élément biologique est une fibre nerveuse intraépidermique.
[0020] 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.
Brève description des dessins
[0021] 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 : [0022] [Fig. 1] est un organigramme illustrant les principales étapes d’un procédé conforme à la présente invention, dans un mode particulier de réalisation.
[0023] [Fig. 2] 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
[0024] 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.
[0025] Ainsi, comme le montre l’organigramme de la figure 1 , 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.
[0026] A titre d’exemple non limitatif, l’invention sera décrite dans son application à la détection automatisée de fibres nerveuses intraépidermiques.
[0027] Dans cet exemple, le tissu considéré est la peau et l’élément biologique considéré est une fibre nerveuse.
[0028] 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.
[0029] 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.
[0030] 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.
[0031] 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.
[0032] 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.
[0033] 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.
[0034] 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.
[0035] 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).
[0036] 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.
[0037] 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.
[0038] Pour cette analyse, lors de l’étape suivante 24, on subdivise chaque région d’intérêt en une pluralité d’imagettes (en anglais « patches »). [0039] 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.
[0040] 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.
[0041] 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.
[0042] Comme le montre la figure 2, 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.
[0043] 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.
[0044] 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.
[0045] 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.
[0046] 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.
[0047] 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.
[0048] 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.
[0049] 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

Revendications
[Revendication 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.
[Revendication 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.
[Revendication 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.
[Revendication 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.
[Revendication 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.
[Revendication 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.
[Revendication 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.
[Revendication 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.
EP23703635.5A 2022-01-24 2023-01-17 Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu Pending EP4469971A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2200588A FR3132145B1 (fr) 2022-01-24 2022-01-24 Procédé de détection automatisée d’un élément biologique dans un échantillon de tissu
PCT/FR2023/050060 WO2023139328A1 (fr) 2022-01-24 2023-01-17 Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu

Publications (1)

Publication Number Publication Date
EP4469971A1 true EP4469971A1 (fr) 2024-12-04

Family

ID=81851354

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23703635.5A Pending EP4469971A1 (fr) 2022-01-24 2023-01-17 Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu

Country Status (3)

Country Link
EP (1) EP4469971A1 (fr)
FR (1) FR3132145B1 (fr)
WO (1) WO2023139328A1 (fr)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019175870A1 (fr) * 2018-03-12 2019-09-19 Persimio Ltd. Segmentation d'os automatisée dans des images
US10430949B1 (en) * 2018-04-24 2019-10-01 Shenzhen Keya Medical Technology Corporation Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model

Also Published As

Publication number Publication date
WO2023139328A1 (fr) 2023-07-27
FR3132145B1 (fr) 2025-08-01
FR3132145A1 (fr) 2023-07-28

Similar Documents

Publication Publication Date Title
Lu et al. Detection of surface and subsurface defects of apples using structured-illumination reflectance imaging with machine learning algorithms
EP3755197B1 (fr) Dispositif et procédé de réalisation d'un classifieur numérique d'images, afin de déterminer la qualité de visualisation des images de vidéocapsule endoscopique d'un segment du tube digestif
US8600143B1 (en) Method and system for hierarchical tissue analysis and classification
EP2652702B1 (fr) Méthode de détection et de quantification du flou dans une image numérique
CA2778682A1 (fr) Procede et dispositif d'analyse d'images hyper-spectrales
WO2013098512A1 (fr) Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau
EP3552146B1 (fr) Détection de nerfs dans une série d'images échographiques
FR2962025A1 (fr) Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau
EP3775840A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique
EP4128140A1 (fr) Système et procédé pour produire un indicateur à partir d'une image d'une coupe histologique
FR3093217A1 (fr) Procede de correction d’un contour
Tripathi et al. Improved deep belief network for estimating mango quality indices and grading: A computer vision-based neutrosophic approach
FR3126253A1 (fr) Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection
FR3113155A1 (fr) Procédé d’identification d’un implant dentaire visible sur une image d’entrée au moyen d’au moins un réseau de neurones à convolution.
EP4469971A1 (fr) Procédé de détection automatisée d'un élément biologique dans un échantillon de tissu
EP0076209B1 (fr) Dispositif automatique d'analyse statistique d'un objet
EP3625766B1 (fr) Méthode de détection et de quantification du flou dans une image numérique
EP3934516B1 (fr) Dispositif et procédé d'évaluation qualitative des greffons hépatiques
CA3224162A1 (fr) Procede automatique de segmentation d'un thrombus et d'une lesion dans une image tridimensionnelle cerebrale
EP2526526B1 (fr) Procédé de segmentation d'image, programme d'ordinateur et système informatique correspondant
Ghadekar et al. Acne Detection Using Convolutional Neural Networks and Image-Processing Technique
WO2023006918A1 (fr) Procédé d'analyse d'une image endoscopique de la paroi interne d'un organe creux, dispositif et produit programme d'ordinateur correspondants
Akyel et al. Blood vessel segmentation and classification of diabetic retinopathy with machine learning-based ensemble model
Ge et al. O-Net: annual rings CT image segmentation method based on attention and residual path
Arora et al. Semantic Segmentation of Retinal Vessels using Deep Learning approach

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240820

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)