Filtrage 3D non-linéaire pour la détection de microstructures biologiques à
l’échelle nanométrique
ALEXANDRA PACUREANU1,2,3, AYMERIC LARRUE1,2, ZSOLT PETER1, CHANTAL MULLER1, VASILE
BUZULOIU3, FRANÇOISE PEYRIN1,2
1
CREATIS-LRMN, INSA-Lyon; Inserm U630; CNRS UMR5220; Université de Lyon; Université Lyon 1; F-69621, ,France
2
ESRF, Imaging Group, BP 220 38043 Grenoble Cedex 9 France
3
Université POLITEHNICA de Bucarest, LAPI, Bucarest, Roumanie
1,2
[email protected], 1,
[email protected],
[email protected], 1,
[email protected]
L'investigation sur les aspects cellulaires du tissu osseux est généralement effectuée à partir de techniques
microscopiques 2D. Les progrès récents en micro-tomographie par rayonnement synchrotron permettent imager des
échantillons biologiques à une échelle infra-micrométrique. Dans ce papier, nous proposons d'analyser la faisabilité
de cette technique pour étudier le système lacuno-canaliculaire osseux. Ce système consiste en un réseau complexe
de canaux minuscules (~ 300 nm de diamètre) qui rejoint les lacunes ostéocytaires. À cause de la résolution spatiale
faible du système d'acquisition d’images par rapport à la taille des structures et vu les contraintes en terme de dose,
les images ont un rapport signal sur bruit faible et la détection des canalicules est difficile. Nous proposons une
technique de filtrage 3D non-linéaire basée sur l'analyse hessienne. Nous présentons des résultats sur des images
synthétiques et nous montrons pour la première fois un rendu 3D du réseau lacuno-canaliculaire basé sur des
données expérimentales.
1
Introduction
L'ostéoporose est une maladie de la fragilité osseuse
qui touche une femme sur trois et un hommes sur cinq,
âgés de plus de 50 ans, affectant de manière
significative l'espérance et la qualité de vie. Au niveau
cellulaire, le système ostéocytaire joue un rôle important
dans le remodelage osseux qui est le processus clé dans
les maladies du tissu osseux [1]. Les ostéocytes, les
cellules osseuses les plus nombreuses, sont hébergées
dans des espaces ellipsoïdaux appelés lacunes, et
communiquent entre elles par de minuscules canaux
appelés canalicules. Ce réseau assure la transmission
des signaux mécano-électrochimiques dans l’os et sa
caractérisation pourrait permettre une meilleure
compréhension de la fragilité osseuse [2].
Jusqu'à présent, les études sur le système ostéocytaire
ont principalement été menées à l'aide de techniques
microscopiques en 2D. Les rares études 3D ont été
réalisés grâce à la microscopie confocale. Toutefois, les
échantillons sont limités en épaisseur à quelques
dizaines de micromètres, correspondant à la dimension
d’une ou deux cellules (20–60 m) [3].
Dans ce travail, nous proposons d'étudier la faisabilité
de la micro-tomographie (micro-CT) synchrotron pour
visualiser en 3D le système lacuno-canaliculaire. La
principale difficulté provient des dimensions des
canalicules, décrites comme des micro-canaux de
diamètre compris entre 100 et 1000 nanomètres [4].
Grâce aux propriétés du rayonnement synchrotron, la
micro-CT synchrotron permet d’atteindre des
résolutions spatiales de l’ordre de quelques centaines de
nanomètres [5] [6].
Toutefois, à cette échelle, la détection des canalicules
est difficile à cause du rapport signal sur bruit limité et
des effets de volume partiel. La détection des
canalicules demande donc le développement de
méthodes appropriées. Des problèmes similaires
apparaissent par exemple en microscopie électronique
pour la détection des microtubules cellulaires. Dans ce
cas, une méthode de rehaussement basée sur les champs
d’orientation a été récemment exposée [7].
Dans ce papier, nous présentons une méthode de
filtrage non-linéaire 3D pour détecter le système lacunocanaliculair du tissu osseux. Nous montrons les
premiers résultats de visualisation 3D du système
lacuno-canaliculaire obtenus sur des données
expérimentales.
2
Acquisition d’images
Les images 3D ont été acquises sur le système de
micro-CT synchrotron de la ligne ID19 à ESRF
(European Synchrotron Radiation Facility), qui utilise
une géométrie d’acquisition parallèle. Les projections
2D d’un échantillon en rotation autour d'un axe vertical
ont été enregistrées sur un détecteur de 2048x2048
pixels [5]. La taille des pixels des projections et des
voxels isotropes de l’image 3D reconstruite est de
0.28µm. Les coupes 2D des images 3D montrent que si
les lacunes ostéocytaires sont clairement visibles, les
canalicules ont un contraste relativement faible et sont
fortement affectées par le bruit (cf Figure 1).
Les images présentées dans ce papier ont été acquises
sur un échantillon d’os humain ostéoporotique
provenant d’une biopsie de crête iliaque. Afin d’être
adapté au champ de vue limité par la résolution,
l’échantillon a été coupé, avec une perceuse d’haute
précision, en forme de cylindre avec un diamètre de
500 m.
~30 m
a)
propres de la matrice hessienne permettent d’obtenir des
informations sur la géométrie locale des structures. Les
dérivées secondes étant très sensibles au bruit, l'image
est généralement lissée avec un noyau gaussien d’écarttype σ . En combinant les opérations de lissage et de
dérivation, il suffit de convoluer l’image avec un filtre
approprié pour calculer les dérivées secondes.
L’analyse est réalisée pour chaque voxel x = ( x, y, z )
de l’image 3D f (x) . Soient λ1 , λ2 , λ3 les valeurs
propres de la matrice hessienne, classées par ordre
croissant, calculées au point x . Idéalement, si le voxel
se trouve dans une structure tubulaire, on devrait avoir
λ1 ≅ 0 , λ1 << λ 2 , λ 2 ≅ λ3 . À partir des valeurs
propres calculées pour chaque voxel, on peut donc
définir un critère de tubularité. On obtient ainsi la carte
3D de ce critère que l’on notera v(x ) . Sato [9] a défini
un critère utilisant deux valeurs propres :
exp(−λ12 / 2(α1λ c ) 2 )
v(x) = 0
Figure 1 : a) région d’intérêt dans une coupe reconstruite 2D ; b)
Détail de la région représentée dans la Fig. 1.a) – la largeur de
l’image est ~65 m
3
Analyse d’image
Nous présentons la méthode proposée afin de détecter
le réseau lacuno-canaliculaire. Cette méthode exploite
les connaissances physiologiques sur la géométrie des
structures recherchées : fines structures tubulaires pour
les canalicules, formes ellipsoïdales pour les lacunes
ostéocytaires. Nous proposons un traitement en deux
étapes, une étape destinée à détecter les structures
filaires, suivie d’une étape de filtrage non-linéaire qui
combine cette information avec l'image en niveaux de
gris.
3.1
Critère de tubularité
Des critères basés sur l’utilisation de la matrice
hessienne ont été proposés pour détecter des vaisseaux
dans des images médicales 3D [8,9,10]. Les valeurs
λ1 < 0, λ c ≠ 0
où λc = min(−λ 2 ,−λ3 ) et α 1 , α 2 sont des paramètres.
Frangi [10] a proposé un critère basé sur les trois
valeurs propres, avec lesquels il définit des rapports
mesurant une déviation par rapport à une forme
sphérique ( R A ) ou à une plaque ( R B ) :
0
v ( x) =
L’acquisition a été réalisée avec un faisceau de
rayons X monochromatique, d’énergie 18keV, 2000
projections et un temps d’exposition de 0.5 secondes par
projection. La durée totale du scan est d’environ 30
minutes.
La figure 1a) illustre une région d’intérêt dans une
coupe 2D reconstruite qui est détaillée dans la figure
1b) pour une meilleure observation de la qualité de
l’image.
(1)
λc = 0
exp(−λ12 / 2(α 2 λ c ) 2 )
b)
λ1 < 0, λ c ≠ 0
RA =
(1 − exp(−
if λ2 > 0 or λ3 > 0
RA2
RB 2
2a
2b
)) exp(
2
)(1 − exp(−
2
(2)
S2
))
2c 2
| λ1 |
| λ2 |
, RB =
et S = λ1 2 + λ 2 2 + λ 3 2
| λ3 |
| λ 2 λ3 |
(3)
et a, b, c sont des paramètres à régler [11].
3.2
Filtrage non-linéaire
Les critères ci-dessus fournissent une mesure de
similarité robuste pour les structures tubulaires.
Toutefois, l’application à nos images a montré que cette
mesure n’était pas suffisante pour extraire le système
lacuno-canaliculaire. Le résultat étant dépendant de
l'échelle, nous avons choisi un paramètre σ faible,
adapté aux canalicules. Le choix d’une petite échelle
conduit à l’élimination des lacunes qui en présence du
bruit sont transformées en fausses agglomérations de
structures tubulaires. Nous pouvons remarquer que la
dynamique du critère n'est pas liée aux niveaux de gris
d'origine et peut varier entre les échantillons. De plus, la
méthode transforme le bruit de l’image tomographique
en un bruit géométriquement structuré, qui rend la
détection plus délicate.
Ainsi, nous proposons de combiner le critère de
tubularité à un filtre non-linéaire appliqué à l'image
originale. Au lieu de considérer un filtre linéaire
habituel, le filtre est adapté à chaque voxel et tient
compte des valeurs du critère dans un voisinage. Si v(x )
est le critère 3D calculé, nous définissons l’image
f NL (x) par :
f NL (x) =
1
Z
x '∈Wx
1 v ( x) − v ( x' ) 2
) )
f (x' ) exp(− (
2
σw
Z=
x '∈Wx
1 v ( x) − v ( x' ) 2
exp(− (
) )
2
σw
(3)
(4)
où Wx est un voisinage de x , et σ W est l’écart type
d’une gaussienne permettant d'ajuster la sélectivité du
filtre.
4
Résultats
Pour tester la méthode proposée nous avons créé un
fantôme 3D simulant les lacunes reliées par les
canalicules. Les canalicules sont modélisées par des
cylindres de diamètre de un ou deux voxels,
conformément aux dimensions observées dans les
images expérimentales. Nous avons ajouté un bruit
Gaussien avec un écart type de 25, valeur également
estimée à partir des images expérimentales.
(a)
Les figures 2c) et 2e) illustrent respectivement des
rendus 3D obtenus avec les critères de Frangi et Sato.
Les images 2d) et 2f) montrent respectivement les
résultats après l’application du filtrage non-linéaire sur
les critères de Frangi et Sato.
Les paramètres pour les critères de Sato et Frangi ont
été choisis après une série de tests expérimentaux [11].
Dans l’équation (1) nous avons utilisé α 1 = 0.5, α 2 = 2 ,
alors que pour l’équation (2) nous avons choisi
a = 0.5, b = 0.5, c = 5 . Dans les résultats, on observe que
le filtre de Frangi élimine efficacement le bruit mais une
partie de l’information utile est perdue, tandis que celui
de Sato restitue mieux la structure d’intérêt mais
conserve quelques résidus de bruit
On remarque que le filtrage non-linéaire améliore
nettement la détection des structures tubulaires tout en
récupérant les structures ellipsoïdales.
Nous montrons dans la suite des résultats obtenus à
partir d’images expérimentales.
(b)
a)
(c)
(d)
~ 10 μm
b)
(e)
(f)
Figure 2 : a) fantôme original ; b) fantôme bruité; c) critère de
Frangi sur le fantôme bruité ; d) critère de Frangi et filtrage
non-linéaire proposé dans cet article ; e) critère de Sato sur le
fantôme bruité ; f) critère de Sato et filtrage non-linéaire
Figure 3 : Sous-volume montrant le système lacuno-canaliculaire
dans un échantillon d’os humain ostéoporotique (la largeur de
l'image ~ 72 m): a) après filtrage Frangi ;b) après filtrage
Frangi et filtrage non-linéaire ;
7
Figure 4 : Détail d’une image obtenue après le filtrage nonlinéaire utilisant le critère de Sato ;
Un sous-volume (256)3 correspondant à un cube
d’environ 72µm de coté a été utilisé dans les images 3a)
et 3b). Pour le traitement des volumes expérimentales
nous avons utilisé les mêmes paramètres que pour les
volumes simulées.
L’observation détaillée des figures 3a) et 3b) montre
qu’après le filtrage non-linéaire, les effets du bruit sont
réduits et les lacunes ostéocytaires sont de nouveau
visibles.
La Figure 4 illustre une région détaillée d’une image
filtrée non-linéairement à partir du critère de Sato. On
peut observer que même si le bruit n’est pas
complètement éliminé, l’intégrité des canalicules est
assez bien restituée.
5
Conclusion
Au niveau cellulaire, la plupart des structures
biologiques ne sont étudiées que sur des sections
bidimensionnelles. Nous avons montré la faisabilité de
la micro-CT à une échelle nanométrique pour étudier le
système ostéocytaire du tissu osseux en 3D.
Contrairement à la microscopie confocale, les images
micro-CT ont une résolution spatiale isotrope. Toutefois
afin d’obtenir des données quantitatives et compte tenu
du rapport signal sur bruit limité à cette échelle, il est
nécessaire de développer des méthodes d’analyse
spécifiques. Dans cet article, nous avons proposé une
adaptation de la méthode de Frangi-Sato pour améliorer
la détection du système lacuno-canaliculaire. Les
images présentées sont les premiers rendus 3D de telles
microstructures et montrent la complexité de ce réseau.
6
Remerciements
Les auteurs tiennent à remercier le groupe de la ligne
ID19 d’ESRF pour l’aide pendent l’acquisition données
et le Prof. MH Lafage-Proust (Inserm U890, St-Etienne,
France) qui a fourni l’échantillon osseux.
Références
[1] M.L. Knothe Tate, J.R. Adamson, A.E. Tami,
T.W. Bauer, “The osteocyte”, The International Journal
of Biochemistry & Cell Biology, 36 : 1-8, 2004.
[2] M.L. Knothe Tate, T.W. Bauer, A.E.G. Tami, U.
Knothe,
“Micropathoanatomy
of
osteoporosis:
indications for a cellular basis of bone disease”,
Advances in Osteoporotic Fracture Management, Vol. 2
: 9-14, 2002.
[3] A. Vatsa, R.G. Breuls, C.M. Semeins, P.L.
Salmon, T.H. Smit, and J. Klein-Nulend, “Osteocyte
morphology in fibula and calvaria — Is there a role for
mechanosensing?,” Bone, vol. 43, pp. 452-458, Sep.
2008.
[4] G.C. Reilly, H.F. Knapp, A. Stemmer, P.
Niederer, M.L. Knothe Tate, “Investigation of the
morphology of the Lacunocanalicular system of Cortical
Bone Using Atomic Force Microscopy”, Annals of
Biomedical Engineering, Vol. 29 : 1074-1081, 2001.
[5] M. Salome, F. Peyrin, P. Cloetens, C. Odet, A.M.
Laval-Jeantet, J Baruchel, P Spanne, “A synchrotron
radiation microtomography system for the analysis of
trabecular bone samples”, Med. Phys., 26 : 21942204,1999.
[6] Peyrin F., Salome M., Cloetens P., Laval-Jeantet
A.M., Ritman E., Rüegsegger P., “Micro-CT
examinations of trabecular bone samples at different
resolutions : 14, 7 and 2 micron level”, Technology and
Health Care, IOS Press, 6(5-6) : 391-401,1998.
[7] Sandberg K., Brega M., “Segmentation of thin
structures in electron micrographs using orientation
fields”, Journal of Structural Biology, 157 : 403-415,
2007
[8] C. Lorenz, I.-C. Carlsen, T. M. Buzug, C.
Fassnacht, J. Weese. Multi-scale line segmentation with
automatic estimation of width, contrast and tangential
direction in 2D and 3D medical images. Proc. CVRMedMRCAS’97, LNCS, 233–242,1997.
[9] Y. Sato, S. Nakajima, N. Shiraga, H. Atsumi, S.
Yoshida, T. Koller, G. Gerig, R. Kikinis, “ThreeDimensional Multi-Scale Line Filter for Segmentation
and Visualization of Curvilinear Structures in Medical
Images”, Medical Image Analysis, 2(2) : 143-168,1998.
[10] A.F. Frangi, W.J. Niessen, K.L.Vincken,
M.A.Viergever, “Multiscale Vessel Enhancement
Filtering”, Lect. Notes. Comput. Sci., 1496 : 130-137,
1998.
[11] S.D. Olabarriaga, M.Breeuwer, W.J. Niessen,
“Evaluation of Hessian-based filters to enhance the axis
of coronary arteries in CT images”, International
Congress Series, 1256 : 1191-1196, 2003.