Discussion de la méthode de correction de tests statistiques par atlas

Les données fonctionnelles de notre étude correspondaient à plus de 5.106 _{pixels (fond de}

l'image exclu). Lorsque nous avons pris en compte l'intégralité de ces données, l'analyse par comparaison statistique des intensités des images considérant un seuil de signicativité statistique xé à 0,01 a pu détecter plusieurs milliers de faux positifs. Par ailleurs, la correction FDR n'a pas pu être appliquée sur l'intégralité de ces images.

En utilisant les segmentations de l'atlas recalé sur le template photographique, nous avons pu réduire considérablement le nombre de pixels testés (entre un facteur 10 et 100). Les tests réalisés dans l'hippocampe ont pu par la suite être corrigés par l'application du FDR dans le modèle statistique (avec un seuil de signicativité xé à 0,05). Le pourcentage de diérence d'activité entre les deux lignées de souris dans le cluster résultant de cette ana- lyse s'est révélé plus élevé que celui estimé sans la correction FDR. L'obtention d'un tel résultat conrme que superviser une analyse statistique par un atlas peut raner les résultats. En eet, grâce à cette seconde analyse, nous avons pu conrmer que les souris APP/PS1 consommaient moins de glucose que les souris PS1 dans la région de

4.4. Utilisation de l'atlas pour restreindre le nombre de tests statistiques eectués 153

l'hippocampe. A notre connaissance, ces travaux sont les premiers à montrer qu'il est possible d'obtenir des résultats statistiquement signicatifs sur des volumes autoradiographiques de cerveaux de rongeurs en restreignant l'analyse statis- tique réalisée par les segmentations d'un atlas préalablement recalés sur les données étudiées.

L'analyse statistique, restreinte à certaines sous-parties des images natives, n'a fourni de résultats qu'avec la segmentation de l'hippocampe. L'absence de résultats pour les autres masques appliqués peut être dû à la forme des segmentations (Frackowiak et al., 2003), ou bien au pourcentage d'occupation du cluster (obtenu sans correction) dans la région segmentée. En eet, le volume du sous-cluster résultant du contraste "hypométabolisme chez les souris APP/PS1" de la première étude et indexé dans l'hippocampe valait près de 12% du volume de l'hippocampe. Il s'agissait du seul (sous-)cluster occupant plus de 10% de la région dans laquelle il était indexé. Ces observations suggèrent qu'il peut exister une relation entre la possible correction statistique des comparaisons multiples par des segmentations et la proportion du volume du cluster à détecter par rapport à celui du masque restreignant le nombre de pixels testés. Des tests supplémentaires pourraient être réalisés sur un autre jeu de données pour conrmer ou non cette hypothèse, voire pour dénir la proportion minimale d'occupation d'un cluster dans une région pour que la correction statistique des comparaisons multiples puisse fournir des résultats ables. Notons que les ltres appliqués pour lisser les données peuvent également avoir une inuence sur la taille des clusters obtenus (Frackowiak et al.,2003). Des tests pourraient donc aussi être réalisés pour évaluer leur impact sur les résultats.

4.5 Bilan de la combinaison d'approches d'analyse de

données post mortem et valorisation des travaux

Pour indexer et analyser automatiquement les clusters résultant d'analyses par comparai- son statistique des intensités des pixels d'images dans les structures cérébrales de souris, nous nous sommes inspirés de travaux déjà réalisés dans le cadre d'études cliniques. A notre connaissance, un tel travail n'a pas encore été mis en ÷uvre pour des études sur le Rongeur. Pour ce faire, nous avons proposé de recaler automatiquement, selon la straté- gie proposée en chapitre 3 (p. 78) un atlas numérique 3D sur le template spéciquement créé pour l'analyse statistique. Les travaux présentés et commentés dans ce chapitre ont été valorisés lors de la conférence internationale de 2010 de l'IEEE Engineering in Medicine and Biology Society (EMBC) (Lebenberg et al., 2010b). Une description plus approfondie de ces travaux est actuellement en cours d'écriture pour une revue scientique.

L'utilisation des segmentations de l'atlas pour localiser les diérences métabo- liques détectées entre les groupes de souris a l'avantage non négligeable de lister rapide- ment l'ensemble des structures cérébrales mises en jeu par le phénomène étudié. Ces résultats ont été obtenus automatiquement et sans avoir eu à se référer à un atlas papier. Cette approche a donc réduit et facilité l'intervention d'un expert en neuroa- natomie pour analyser les résultats. Nous avons par exemple pu constater rapidement de l'hypo- et de l'hypermétabolisme des souris APP/PS1 par rapport aux souris PS1 situées dans les mêmes structures cérébrales (hippocampe, striatum et cortex). Nous avons également pu identier plusieurs foyers de variation du métabolisme entre les groupes au sein d'un même cluster résultant des analyses statistiques. Ces foyers, non identiables en exploitant uniquement les analyses statistiques, ont été discernés grâce à la subdivision par l'atlas des clusters s'étendant sur plusieurs régions segmentées.

Nos travaux ont par ailleurs montré que superviser les résultats d'une analyse statistique avec un atlas pouvait permettre d'identier des structures potentiellement impli- quées dans la maladie d'Alzheimer (exemples du bulbe olfactif et du corps calleux). Ces observations, dicilement concluantes par une analyse visuelle des projections des clusters sur des coupes histologiques, n'ont pas pu être mises en évidence dans l'étude

Dubois et al. (2010b) menée en parallèle de ces travaux. Dubois et al. ont en revanche pu, grâce à un atlas papier, localiser plus précisément certains clusters corticaux. Alors que nous ne pouvions indexer ces clusters soit dans le cortex cingulaire et rétrosplénial, soit dans le reste du cortex, cette équipe a par exemple pu diérencier la partie cingulaire de la partie rétrospléniale du cortex et identier la partie somatosensorielle du cortex. Les résul- tats d'indexation automatique par atlas des clusters dans des régions cérébrales dépendent donc de l'échelle des segmentations de l'atlas.

4.5. Bilan de la combinaison d'approches d'analyse de données post mortem et valorisation des

travaux 155

L'analyse par atlas de la répartition des clusters dans le cerveau peut donc se révéler peu probante pour des projets visant à étudier une région d'intérêt unique (suite à une stimula- tion auditive ou motrice par exemple). En revanche, pour des études analysant le compor- tement des sujets après diverses stimulations ou pour des études préliminaires exploratoires d'une pathologie particulière, de nombreux clusters, de taille variable, représentant les dif- férences entre les groupes peuvent être détectés des analyses statistiques. Dans ces cas-ci, superviser ces analyses statistiques par un atlas présente un gain de temps considérable. En plus de les indexer rapidement dans des structures cérébrales et évaluer le volume de chaque sous-cluster automatiquement déni par l'atlas, nous pourrions également analyser leur éventuelle répartition symétrique dans le cerveau si la base de données de l'étude est constituée de cerveaux entiers. Le plan inter-hémisphérique de l'atlas correspondant à l'axe x= dimX/2, où dimX est la dimension en x de l'image, nous pouvons aisément dié- rencier les segmentations de l'atlas appartenant à l'un et l'autre hémisphère (cf.gure 4.11). Le gain de temps obtenu sur la localisation des clusters pourrait nous permettre d'envisa- ger de tester un grand nombre d'hypothèses modélisées par plusieurs modèles statistiques (diérents seuils de signicativité, tailles minimales des clusters), comparer les résultats et approfondir les études.

Figure 4.11  Atlas numérique du cerveau entier de souris dont les segmentations appartenant à l'un et l'autre hémisphère ont été diérenciées.

Superviser les résultats d'analyses statistiques par un atlas est donc une approche pro- metteuse pour étudier de nombreuses images acquises post mortem mais également in vivo. Les études de Lau, Maheswaran et Sawiak (Lau et al., 2008b; Maheswaran et al.,

2009a;Sawiak et al.,2009) par exemple pourraient bénécier des avantages résultant de la combinaison de ces approches d'analyse.

Pour raner davantage la localisation des clusters dans le cerveau de souris, nous pourrions coupler les informations de leur appartenance à des structures cérébrales à une position re- lative par rapport aux points bregma et lambda dénis sur la boîte crânienne des animaux (Aggarwal et al., 2009). Ce couplage d'informations proterait aux biologistes, habitués à se repérer avec de telles coordonnées dans les atlas papier. Cependant, cela impose l'ac- quisition d'images de la boîte crânienne des animaux sur lesquelles l'atlas pourrait être recalé.

le temps consacré à identier les clusters de pixels activés par l'analyse SPMMouse a pu être optimisé et le nombre de comparaisons statistiques réalisées a pu être automatiquement restreint grâce aux segmentations de l'atlas, rendant ainsi les tests statistiquement plus signicatifs (la correction dite False Discovery Rate a pu être appliquée). En combinant ces deux approches d'analyse, nous avons pu tirer prot des avantages de chacune et ainsi repousser leurs limitations d'utilisation (voir gure 4.12). Cette stratégie d'analyse devrait conrmer sa grande ecacité et son utilité sur un jeu de données plus complexe (étude réalisée sur cerveaux entiers, nombre plus important de zones de variations métaboliques et d'animaux).

Figure 4.12  Apports de la combinaison d'approches d'analyse de volumes autoradiographiques (a) par un atlas numérique (b) (méthode 1) avec celle par comparaison statistique des intensités des images (d) (méthode 2). La méthode 1 a permis d'identier automatiquement des structures cérébrales dans un image fonctionnelle 3D mais de ne mesurer les informations qu'à l'échelle des segmentations (c). La méthode 2 a permis de mettre en évidence des diérences fonctionnelles locales mais leur localisation dans des structures cérébrales reste une tâche laborieuse (e). La supervision de l'analyse statistique par l'atlas (méthode 3) a permis de tirer prot des avantages des deux premières méthodes (f).

Chapitre 5

Utilisation de l'atlas numérique 3D de

cerveau de souris pour l'analyse de

données acquises in vivo

Les méthodes et résultats présentés dans les chapitres 3 et 4 ont permis de prouver la fai- sabilité d'une analyse automatisée et optimisée de cerveaux de souris grâce à l'utilisation d'un atlas numérique 3D. L'atlas fourni par le CIVM a permis d'étudier des données post mortem (histologiques et autoradiographiques) de souris modélisant un aspect de la mala- die d'Alzheimer ainsi que leurs contrôles. Ceci étend les domaines d'application de l'atlas initialement développés pour analyser des données IRM acquises in vivo sur d'autres li- gnées de souris transgéniques (Badea et al., 2007, 2009). Dans ce dernier chapitre, nous étudions la possibilité d'utiliser cet atlas pour guider l'analyse de données TEP et TDM acquises in vivo en vue d'une étude s'intéressant plus généralement à la neuroinammation sur des modèles de souris. Cette approche, bien que préliminaire et limitée à un examen, constitue une perspective très prometteuse du travail présenté. Le contexte et les données de cette étude, suivis de la nouvelle stratégie de recalage proposée pour faire correspondre l'atlas avec les volumes TEP et TDM sont présentés et discutés. La gure 5.1présente une synthèse de l'organisation de ce chapitre ainsi que des principaux points abordés.

5.1 Contexte de l'étude sur la neuroinammation

La recherche préliminaire présentée dans ce chapitre a été réalisée dans le cadre d'une col- laboration entre l'ANSTO (Australian Nuclear Science and Technology Organisation) et l'équipe de traitement d'images de MIRCen. Ce projet a été initié en n de thèse et avait pour objectif d'utiliser un atlas numérique de cerveau de souris pour l'analyse de données TEP (Tomographie par Emission de Positons) dans une étude sur un traceur de la neuroin- ammation. L'étude de ce processus sur des modèles de maladies neurodégénératives est d'un grand intérêt car il constitue un aspect important dans l'évolution de ces maladies.