Analysis and characterization of the tissue structure of the epidermis from confocal imaging
Analyse et caractérisation de la structure tissulaire de l'épiderme à partir d'imagerie confocale
Résumé
Accurate segmentation of epidermal cells on reflectance confocal microscopy (RCM) images is important in the non-invasive study of epidermal architecture and topology of both healthy and diseased skin. However, analysis of these images is currently done manually, and therefore time-consuming, subject to human error and subjective interpretation, while at the same time being hindered by low image quality due to noise and signal heterogeneity. In this thesis, we design and implement two methods for automatic cell segmentation of granular and spinous RCM images of the human epidermis.Our first contribution is a full image analysis pipeline (FIAP) which relies on the detection of keratinocytes based on their membrane morphological features. First, we identify the region-of-interest (ROI) containing cells and we then identify individual cells within the ROI using successive applications of Sato and Gabor filters. The final step is a post-processing improvement of cell detection and removal of size outliers. We evaluated the proposed pipeline on manually annotated real data and generated synthetic data, and applied it to 5345 images of the cheek and volar forearm of participants, ages 3 months to 80 years, to study the evolution of epidermal architecture during skin maturation and ageing, making it the first large-scale study of RCM images and showing that skin dynamically matures during childhood and ages during adulthood, as keratinocyte size increases with age on both cheek and volar forearm, while topology and cell aspect ratio remain unchanged across different epidermal layers, body sites and age.The second developed method, called DermoGAN, is a novel neural network architecture based on an unsupervised dual-task cycle generative adversarial network (cycle-GAN). The first task learns to translate real RCM images into binary segmentations thus learning the noise and texture model of RCM images, while the second task maps Gabor-filtered RCM images into binary segmentations, learning the epidermal structure on RCM images. We refine the segmentation by applying the pre-trained StarDist algorithm to detect star-convex shapes, thus closing any incomplete membranes and separating neighboring cells. DermoGAN was also validated on manually annotated real data and compared to the FIAP. Both proposed methods were compared to machine learning approaches based on U-net, Cell Cutter and cycle-GANs.We show that DermoGAN is versatile, domain adaptable and generalizable as it can be used on images generated by other types of imaging techniques of different tissues and gives accurate results with no retraining of the model. We conclude that the accuracy of DermoGAN depends on the nature of the tissue architecture in the training dataset (confluent cells vs. independent cells) rather than the type of images or the precise organ or tissue.We explore the possibility of using DermoGAN for RCM to histology translation to visualize RCM insights in the form of histology slides for users who are not familiar with RCM.Finally, we develop a user interface where users can find all the developed methods.
La segmentation précise des cellules de l'épiderme sur les images de microscopie à réflectance confocale est importante pour l'étude non invasive de la structure tissulaire de l'épiderme de la peau saine et malade. Ces travaux sont néanmoins limités par le nombre d'échantillons traités du fait du recours intensif à l'utilisateur qui doit notamment pointer manuellement chacune des cellules. L'objectif de ce travail doctoral est de développer et d'implémenter une chaîne de traitements automatique pour analyser la structure de la peau, dans différents contextes, à partir d'images confocales.Notre première contribution est un pipeline d'analyse d'images qui repose sur la détection des kératinocytes en fonction des caractéristiques morphologiques des membranes les entourant, appelé FIAP. Tout d'abord, nous identifions la région d'intérêt contenant les cellules, puis nous identifions ces cellules individuellement au sein de la région d'intérêt à l'aide d'applications successives de filtres de Sato et de Gabor. La dernière étape est le post-traitement des résultats précédemment obtenus pour l'amélioration de la détection des cellules et la suppression des régions détectées de taille aberrante. Nous avons évalué le pipeline proposé sur des données réelles annotées manuellement et sur des données de synthèses préalablement générées. Nous avons appliqué le pipeline à 5345 images de la joue et de l'avant-bras de participants âgés de 3 mois à 80 ans pour étudier l'évolution de l'architecture de l'épiderme au cours de la maturation et du vieillissement de la peau, ce qui en fait la première étude à grande échelle d'images de microscopie confocale. Nous avons démontré que la peau mûrit dynamiquement pendant l'enfance et vieillit à l'âge adulte, car la taille des kératinocytes augmente avec l'âge sur la joue et l'avant-bras, tandis que la topologie et le rapport d'aspect cellulaire restent inchangés à travers différentes couches épidermiques, parties du corps, et âge.La deuxième méthode développée, appelée DermoGAN, est une nouvelle architecture de réseau de neurones fondée sur l'exécution de deux tâches en parallèles, constituée chacune d'un cycle generative adversarial network (cycle-GAN). La première tâche apprend à traduire des images de microscopie à réflectance confocale en segmentations binaires, apprenant ainsi le modèle de bruit et de texture des images, tandis que la seconde tâche transforme les images de microscopie à réflectance confocale filtrées par un filtre de Gabor en segmentations binaires, apprenant ainsi la structure épidermique visible sur les images. Nous affinons la segmentation en appliquant l'algorithme StarDist pour détecter les formes convexes, refermant ainsi toutes les membranes incomplètes et séparant les cellules voisines. DermoGAN a également été validé sur des données réelles annotées manuellement et comparé au FIAP. Les deux méthodes proposées ont été comparées à des approches de machine learning fondées sur U-net, Cell Cutter et cycle-GAN.Nous montrons que DermoGAN est polyvalent, adaptable et généralisable car il peut être utilisé sur des images générées par d'autres techniques d'imagerie de différents tissus et donne des résultats précis sans réentraînement du modèle. Nous concluons que la précision de DermoGAN dépend de l'apparence de l'architecture tissulaire dans l'ensemble de données d'entrainement (cellules confluentes par rapport aux cellules indépendantes) plutôt que du type d'images, de l'organe ou du tissu visibles sur les images.Nous avons exploré la possibilité d'utiliser DermoGAN pour la traduction des images de microscopie à réflectance confocale en histologie.Enfin, nous avons développé une interface utilisateur regroupant toutes les méthodes développées.
Origine : Version validée par le jury (STAR)