Advances in probabilistic particle tracking for biomedical imaging
Avancées en suivi probabiliste de particules pour l'imagerie biologique
Résumé
Particle tracking is a method of choice to understand subcellular mechanisms since it provides a robust and accurate means to characterize the dynamics of moving objects at the micro- and nano-metric scale. This thesis addresses several aspects related to the problem of tracking several hundreds of particles in cluttered conditions. We present novel techniques based on robust mathematical methods which allow us to track subresolutive particles in the wealth of conditions which are met in cellular imaging. Particle detection: we have first addressed the issue of detecting particles in fluorescence images containing a structured background. The key idea of the proposed method is to use a blind source separation technique: the Morphological Component Analysis (MCA) algorithm, to separate the background from the particle signal by exploiting the differences between their morphologies in the image. We have made a number of adaptations to the MCA to comply with the characteristics of biological fluorescence images. For instance, we have proposed to use the curvelet dictionary and a wavelet dictionary with sparsity priors to split the background and the particles signals. After source separation, the background-free image can be reliably analyzed to identify the particle locations and track them through time. Particle tracking problem modeling: we have proposed a global statistical framework which accounts for every aspect of the particle tracking problem in cluttered conditions. The designed probabilistic framework includes several models which are dedicated to biological imaging, such as statistical models of motion of particles. We have also defined the concept of target perceivability for biological particles. By doing so, the existence of particles is explicitly modeled and statistically quantified, thereby addressing the issues of track termination/creation within the statistical framework for tracking. As a result, the proposed framework enjoys a high degree of flexibility since every parameter and model involved finds a simple and intuitive interpretation. The proposed probabilistic framework has consequently allowed us to exhaustively model a wealth of different biological cases. Tracking algorithm design: we have reformulated the Multiple Hypothesis Tracking (MHT) algorithm to include the probabilistic framework for tracking biological particles, and proposed an efficient implementation which allows one to track numerous particles in poor imaging conditions. The Enhanced MHT (E-MHT) we propose takes full advantage of the tracking model by incorporating the knowledge from future frames, whereby the significance of statistical scores is increased. As a result, the E-MHT is able to automatically identify false detections and detect target appearance/disappearance events. We address the complexity of the tracking task by an efficient design of the algorithm which exploits the tree organization of the solutions and the ability to make the computations in a parallel manner. A series of comparative tests between the E-MHT and a number of state-of-the-art techniques have been performed with synthetic 2D image sequences and real 2D and 3D data sets. In every case the E-MHT has proved superior performance over standard techniques, with a remarkable capability to handle very poor imaging conditions. We have applied the proposed tracking techniques in a number of biological projects, leading to novel biological results. The flexibility and robustness of the proposed methods have allowed us to track prions infecting cell, characterize protein transport during the Drosophila oocyte development, and to study the mRNA trafficking in a Drosophila ovocyte.
Le suivi de particules est une méthode de choix pour comprendre les mécanismes intra-cellulaires car il fournit des moyens robustes et précis de caractériser la dynamiques des objets mobiles à l'échelle micro et nano métrique. Cette thèse traite de plusieurs aspects liés au problème du suivi de plusieurs centaines de particules dans des conditions bruitées. Nous présentons des techniques nouvelles basée sur des méthodes mathématiques robustes qui nous permettent des suivre des particules sous-résolutives dans les conditions variées qui sont rencontrées en imagerie cellulaire. Détection de particules : nous avons tout d'abord traité le problème de la détection de particules dans les images fluorescentes contenant un fond structuré. L'idée clé de la méthode est l'utilisation d'une technique de séparation de sources : l'algorithme d'Analyse en Composantes Morphologiques (ACM), pour séparer le fond des particules en exploitant leur différence de morphologie dans les images. Nous avons effectué un certain nombre de modifications à l'ACM pour l'adapter aux caractéristiques des images biologiques en fluorescence. Par exemple, nous avons proposé l'utilisation du dictionnaire de Curvelet et d'un dictionnaire de d'ondelettes, avec des à priori de parcimonie différents, afin de séparer le signal des particules du fond. Une fois la séparation de sources effectuée, l'image sans fond peut être analysée pour identifier de manière robuste la position des particules et pour les suivre au cours du temps. Modélisation du problème de suivi : nous avons proposé un cadre de travail statistique global qui tient compte des nombreux aspects du problème de suivi de particules dans des conditions bruitées. Le cadre de travail probabiliste que nous avons mis au point contient de nombreux modèles qui sont dédiés à l'imagerie biologique, tels que des modèles statistiques de mouvement des particules en milieu cellulaire. Nous avons aussi défini la concept de perceiability d'une cible dans le cas des particules biologiques. Grâce à ce modèle l'existence d'une particule est explicitement modélisée et quantifiée, ce qui nous permet de résoudre les problèmes de création et de terminaison des trajectoires au sein même de notre cadre probabiliste de suivi. Le cadre de travail proposé bénéficie d'une grande flexibilité mais reste facile à adapter car chaque paramètre du modèle trouve une interprétation simple et intuitive. Ainsi, notre modèle probabiliste de suivi nous a permis de modéliser de manière exhaustive un grand nombre de systèmes biologiques différents. Mise au point d'un algorithme de suivi : nous avons reformulé l'algorithme de suivi nommé Multiple Hypothesis Tracking (MHT) pour qu'il inclue notre modèle probabiliste de suivi dédié aux particules biologiques, et nous avons proposé une implémentation rapide qui permet de suivre de nombreuses particules dans des conditions d'imagerie dégradées. L'\textit{Enhanced} MHT (E-MHT) que nous avons proposé tire pleinement partie du modèle de suivi en incorporant la connaissance des images futures, ce qui augmente significativement le pouvoir discriminant des critères statistiques. En conséquence, l'E-MHT est capable d'identifier automatiquement les détections erronée et de détecter les événements d'apparition et de disparition des particules. Nous avons résolu le problème de la complexité de la tache de suivi grâce à un design de l'algorithme que exploite la topologie en arbre des solution et à la possibilité d'effectuer les calculs de manière parallèle. Une série de tests comparatifs entre l'E-MHT et des méthodes existantes de suivi a été réalisée avec des séquences d'images synthétiques 2D et avec des jeux de données réels 2D et 3D. Dans chaque cas l'E-MHT a montré des performances supérieures par rapport aux méthodes standards, avec une capacité remarquable à supporter des conditions d'imagerie très dégradées. Nous avons appliqué les méthodes de suivi proposées dans le cadre de plusieurs projets biologiques, ce qui a conduit à des résultats biologiques originaux. La flexibilité et la robustesse de notre méthode nous a notamment permis de suivre des prions infectant des cellules, de caractériser le transport de protéines lors du développement de l'ovocyte de la drosophile, ainsi que d'étudier la trafic d'ARN messager dans l'ovocyte de drosophile.
Loading...