Le premier résultat immédiat qui est apparu à l’issue des segmentations est le caractère intrinsèquement 3D des lobules. En effet, si, sur un plan donné on peut repérer des entités 2D faiblement connectées, la connectivité en 3D en "doigts" fait que deux entités séparées dans un même plan peuvent se retrouver connectées dans la profondeur du tissu. La représentation classique 2D associée à une vision en "compartiments" du tissu avec des unités fonctionnelles indépendantes semble donc contredite. Ceci ouvre des questions importantes sur le rôle fonctionnel de ces unités et leurs interactions. On peut décrire à présent le tissu en "sous-unités poly-lobulées" (Poly-Lobular Sub-units, abrégé
PLS en anglais), dont les sous-unités sont les lobules classiquement décritsWASSERMANN
[1965]. On peut voir cette description comme appartenant à une deuxième échelle de
représentation. Le premier niveau étant celui décrit parWASSERMANN[1965].
Nous avons ensuite tenté d’apporter des éléments de réponses concernant les interac- tions et l’organisation de ces nouvelles unités. Nous nous sommes d’abord intéressés à l’organisation du tissu selon l’échelle PLS avec un formalisme de graphe où les nœuds du graphe sont les PLS, les liens du graphe sont les surfaces de contacts normalisées entre les PLS et leur position spatiale correspond à leur barycentre projeté dans le plan (x, y). Deux tissus sur trois présentent une organisation très proche avec un PLS central et deux clusters de plusieurs PLS aux deux extrémités de la SLA. Dans le troisième échantillon, nous n’avons pas retrouvé le PLS central, en revanche il y a deux PLS très fortement connectés dans la même zone où les PLS centraux se situent pour les deux autres échantillons. On peut donc considérer une troisième échelle de représentation du tissu en deux clusters de PLS séparés par un faible nombre d’entités.
La question naturelle que l’on peut se poser avec de telles observations est de savoir si cette organisation structurelle est liée à une activité biologique spécifique ; sachant qu’il a
déjà été mis en évidence une différence de browning entre les zones SLA et NSLABARREAU
et collab.[2016]. Pour répondre à cette question, nous avons cherché à surimposer sur la structure que nous avons décrite une activité spécifique en terme de browning dont
avons montré qu’il y a trois niveaux de marquage d’UCP1 dans trois zones distinctes : un marquage très fort dans le cluster de PLS proche du ganglion, un marquage intermédiaire dans le cluster à l’autre extrémité de la SLA et un marquage quasi inexistant en dehors de la SLA. Il semble donc que l’on puisse corréler une activité métabolique d’intensité différente avec une localisation dans le tissu dans deux zones qui se trouvent organisées structurellement de manière non-triviale.
Un autre élément semble corréler avec le marquage UCP1 : il s’agit de la densité vasculaire. En effet, à partir du signal lectine qui a été acquis, nous avons pu calculer des densités vasculaires à des endroits spécifiques du tissu. En découpant des zones d’intérêt à partir de l’image 3D, dans des régions qui correspondent aux deux clusters de PLS, on observe que les densités vasculaires suivent les mêmes tendances à savoir qu’elles présentent trois niveaux différents d’intensité. Il y a donc une activité métabolique qui semble corréler avec une organisation structurelle et une intensité de vascularisation. Nous pouvons donc nous interroger si le mécanisme de browning n’est pas activé par la perfusion sanguine ou, à l’inverse, si la différentiation des cellules beiges n’est pas liée à un signal d’angiogenèse.
2.2.1 Avantages et limites de la méthode
D’autres méthodes auraient pu être utilisées, comme par exemple des méthodes level-
setANDJOHNC. GORE[2011], des méthodes de contour actifDOUGHERTY[2009];KASS
et collab.[1987] ou encore des approches par deep-learningBENTAIEBet HAMARNEH
[2016]. Nous avons choisi de développer une procédure de traitement d’image utilisant
des briques de base relativement simples. Contrairement à une méthode automatique, les paramètres doivent être choisis "au mieux" et introduisent donc un arbitraire dans les segmentations. Une méthode semi-automatique présente l’avantage de pouvoir étudier l’influence de chacun des paramètres et revenir sur certaines de nos décisions. C’est pour cette raison que nos avons privilégié ce type de méthode qui permet d’avoir une grande souplesse dans les différentes étapes de segmentation.
Dans notre analyse, l’arbitraire est également présent dans la validation des segmen- tations qui ne peut être que visuelle et qualitative. Le principal problème provient du fait qu’il n’y a pas de vérité-terrain (la notion de ’ground thruth’ est fondamentale dans le domaine de la segmentation d’image). Plus précisément, il n’y a pas de définition réellement détaillée de ce qu’est un lobule en 3D, par conséquent on ne peut pas savoir à quel point nos segmentations sont proches d’un "réel biologique". Cependant, un travail important d’analyse tissulaire a été effectué par le laboratoire STROMALab, (décrit en détail dans l’article ci-dessous) permettant, en utilisant une technique de micro-dissection, de corroborer certains éléments de segmentation.
A minima on peut penser que la structure en petites unités denses et homogènes faiblement connectées est simpliste mais ceci ne donne pas pour autant un critère de validité de segmentation des plus grosses structures. Il est très difficile en parcourant les images d’origine non traitées de savoir où s’arrête et où commence une entité, à cause de l’organisation complexe en 3D. Ainsi dans nos segmentations, on a fait varier les paramètres pour que les entités segmentées que l’on obtient soient plus connectées en leur sein qu’entre elles, critère qui n’est bien entendu que qualitatif.
Soulignons également que certains éléments des résultats de segmentation semblent relativement robustes. Par exemple la distribution des volumes des PLS normalisés est
critique mais d’éléments indirects qui laissent entendre que les résultats reproduisent un certain niveau d’organisation du tissu. Il est probable qu’en jouant sur les paramètres on aurait des PLS de volumes différents mais cela ne changerait pas le caractère éminemment 3D des entités.
2.3 Références
ANDJOHNC. GORE, R. H. C. L. Z. D. J. C. G. D. N. M. 2011, «A Level Set Method for Image
Segmentation in the Presence of Intensity Inhomogene ities with Application to MRI»,
IEEE Transactions on Image Processing, vol. 20, no 7, doi:10.1109/TIP.2011.2146190, p.
2007–2016, ISSN 10577149.27
BARREAU, C., E. LABIT, C. GUISSARD, J. ROUQUETTE, M. L. BOIZEAU, S. GANIKOUMASSI, A. CARRIÈRE, Y. JEANSON, S. BERGER-MÜLLER, C. DROMARD, F. PLOURABOUÉ, L. CASTEILLAet A. LORSIGNOL. 2016, «Regionalization of browning revealed by whole
subcutaneous adipose tissue imaging», Obesity, vol. 24, no 5, doi:10.1002/oby.21455, p. 1081–1089, ISSN 1930739X. 23,24,26
BENTAIEB, A. et G. HAMARNEH. 2016, «Topology Aware Fully Convolutional Networks
For Histology Gland Segmentation», dans Lecture Notes in Computer Science, Medical
Image Computing and Computer-Assisted Intervention (MICCAI), ISBN 9783319467238,
p. 460–468, doi:10.1007/978-3-319-46723-8. 27
DOUGHERTY, G. 2009, Digital Image Processing for Medical Applications, Cambridge Uni- versity Press.24,25,27
FORSYTH, D. A. et J. PONCE. 2011, Computer Vision: A Modern Approach, 2eéd.. 24 JÄHNE, B. 2005, Digital Image Processing, 6eéd., Springer-Verlag Berlin Heidelberg, ISBN
9783540240358.24
KASS, M., A. WITKINet D. TERZOPOULOS. 1987, «Snakes: Active contour models», Inter-
national Journal of Computer Vision, vol. 1, no 4, doi:10.1007/BF00133570, p. 321–331,
ISSN 09205691.27
POISSONNET, C., A. BURDIet F. BOOKSTEIN. 1983, «Growth and development of human adipose tissue during early gestation.», Early Human Development, vol. 8, no 1, p. 1–11.
23
POISSONNET, C. M. 1988, «Growth and development of adipose tissue», The journal of
Pediatrics, vol. 113, no 1, p. 1–9.23
SCHULZE, M. A. et J. A. PEARCE. 1994, «A MORPHOLOGY-BASED FILTER STRUCTURE FOR EDGE-ENHANCING SMOOTHING», dans Proceedings of the 1994 IEEE International
Conference on Image Processing, p. 530–534. 24
WASSERMANN, F. 1965, «The development of adipose tissue», dans Handbook of Physiology,
Adipose Tissue, chap. 10, ISBN 9780470650714, p. 87–100, doi:10.1002/cphy.cp050110.
URLhttp://doi.wiley.com/10.1002/cphy.cp050110. 23,26