Discussion :

[Lana_]

Bonjour,

Dans le cadre d'un projet j'ai dû développer un programme matlab pour analyser des cellules de la plaque de croissance des tibias de rats. Jusqu'à présent, tout fonctionne. Les images sont des stack d'images (piles d'images contenant plusieurs images 2D appelées slices) en format .lsm provenant d'un microscope confocal Zeiss et tous les traitements d'images sont alors réalisés en 3D.
Les images sont d'abord filtrées par un filtre gaussien en 3D, puis normalisées selon la méthode d'égalisation adaptative d'histogramme limitée en contraste (CLAHE en anglais). Enfin, le thresholding est appliqué aux images pour obtenir des images binaires.

Cependant, sur nos images, certains cellules sont tellement proches sur certaines slices qu'elle apparaissent connectées après le thresholding, mais elles sont bien distinctes sur les autres slices. Du coup, cela les rend non analysables car les mesures de volume total et longueur/largeur qui se basent sur les dimensions en terme de pixels/voxels vont être tronquées.

Pour pallier à ce problème, j'ai donc pensé qu'il serait judicieux d'utiliser la méthode du watershed segmentation, qui sépare les objets. J'ai fait un premier essai avec un méthode qui existe déjà dans matlab :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
for val=1:ImNumber(2)
    Stack2(val).data=~bwareaopen(~Stack(val).data,5);
    D(val).data=-bwdist(~Stack(val).data);
    Ld(val).data=watershed(D(val).data);
    Stack2(val).data=Stack(val).data;
    Stack2(val).data(Ld(val).data==0)=0;
    mask(val).data=imextendedmin(D(val).data,10);
    D2(val).data=imimposemin(uint8(D(val).data),uint8(mask(val).data));
    Ld2(val).data=watershed(D2(val).data);
    Stack3(val).data=Stack(val).data;
    Stack3(val).data(Ld2(val).data==0)=0;
end

ImNumber est le nombre d'images au total présentes dans mon stack.
Stack(val).data correspond à l'image n° val.

Cependant, cette méthode réalise un watershed différent pour chaque slice séparément sans réellement prendre en compte la structure 3D des cellules...

J'ai essayé la fonction watershed du logiciel ImageJ et ça fonctionne à merveille ! Je cherche donc à reproduire exactement la même chose dans matlab mais je ne sais pas par où commencer.

Quelqu'un saurait-il comment procéder pour implémenter ça ou l'aurait déjà fait ? J'ai essayé de chercher car j'imagine que des personnes ont dû coder ça avant moi mais je n'ai pas trouvé de code fonctionnant sur matlab avec mon type d'image...


Merci beaucoup, n'hésitez pas si vous avez des questions, je ne suis pas sûre que tout soit très clair !

[Jean Dumoncel]

Bonjour,

il y a un exemple de watershed 3D dans la documentation de la fonction watershed dans MATLAB. Pour que tu puisses l'appliquer à tes données, je pense que tu devras mettre ta série de slices dans un tableau en 3D (comme la variable bw de l'exemple).

[Kangourou]

Bonjour,

a priori, le code utilisé dans ta boucle doit pouvoir être appliqué sans trop de modification à l'image 3D ! Le seul truc à rajouter est la création de l'image 3D sous la forme d'un tableau 3D, en concaténant les variables "Stack(val).data". la fonction bwareaopen n'existe pas forcement pour le 3D, mais on peut utiliser un étiquetage, calculer la taille de chaque label, et ne selectionner que les partcules assez grandes.

Une petite précision tout de même : le watershed de ImageJ et de Matlab sont un peu différents. La version "ImageJ" correspond à la succession des traitements de calcul de la carte des distances, inversion, calcul des frontières de la watershed, et combinaison avec l'image binaire d'origine. De plus le watershed de ImageJ est limité au cas planaire. On trouve des watershed 3D (voir par exemple le plugin Morphological Segmentation).

[Jean Dumoncel]

la fonction bwareaopen n'existe pas forcement pour le 3D

Si, bwareaopen gère les images 3D aussi :

BW2 = bwareaopen(BW,P,conn)

BW — Binary image
real, nonsparse, logical or numeric array of any dimension

[Kangourou]

ha ha,
au temps pour moi !

Bon, ben du coup la transposition à un traitement intégral en 3D ne devrait pas poser de soucis (du moins en théorie...).

[gpcbitnik38]

le traitement 3D risque de te prendre un temps fou.
j'ai deja eu un traitement similaire a faire sur des kératinocyte. le plus efficace était de chercher le centre des partie concave des images 2d. puis de relié les centre avec le centre le plus proche de l'image du dessus ou du dessous.
une fois cette étape faite tu repère les regions blanche contenant deux axes et la tu fait un watershed en fct de la distance aux axes.
par contre il faut

un seuil pour arrêter la recherche de zones concaves ( en gros il te faut la taille min d'une cellule avec un peu de marge), un seuil de distance entre 2 centre dans la recherche 3d.
ça ne marche que si ta resolution en z est suffisante pour ne pas avoir de trop grand décalage de centre.