L’étude du cerveau de la souris est de la plus haute importance dans le domaine des neurosciences, car il offre une ressemblance biologique avec le cerveau humain, ce qui garantit un aperçu sans précédent de la structure et de la fonction de notre propre cerveau. En outre, la possibilité de manipuler génétiquement le cerveau de la souris nous permet d’explorer les effets des gènes sur l’activité cérébrale. Actuellement, 198 gènes affectant la morphogenèse du cerveau ont été identifiés grâce à des études précliniques dans un modèle murin.
L’évaluation de ces anomalies anatomiques est généralement effectuée sur des images histologiques à haute résolution. La segmentation des différentes parties du cerveau a été réalisée par des méthodes manuelles et semi-automatiques. Il faut environ une heure pour identifier et segmenter manuellement plus de 20 régions anatomiques pour une seule image histologique. Par conséquent, une méthode automatique et efficace pour la segmentation de ces images histologiques à haute résolution est nécessaire. Dans ce travail, nous proposons un système automatique pour la segmentation des régions anatomiques dans le cerveau de la souris en utilisant des images histologiques à haute résolution pour plus de 20 régions d’intérêt. Nous avons utilisé des méthodes d’apprentissage profond basées sur une architecture U-Net dans laquelle un module de porte d’attention a été incorporé. Ce système a été développé en utilisant environ 2000 images pour chaque région d’intérêt. La taille moyenne de chaque image étant de 1 Go, l’un des principaux défis consistait à gérer le volume d’informations contenues dans les images. Le système proposé a été évalué avec un sous-ensemble d’images réservé à cet effet. Il faut souligner que certaines régions ont posé des difficultés particulières, comme le noyau ventromédian de l’hypothalamus (VHMvl) et le colliculus inférieur (InfC).
Les résultats du score DICE avec notre modèle sont de l’ordre de 90%, voire plus, dans toutes les régions d’intérêt, y compris les régions susmentionnées qui sont très difficiles à segmenter en raison de leurs différences au niveau des tissus. Au final, le système est capable d’analyser et de segmenter une image à haute résolution en 20 minutes environ, ce qui donne 23 fichiers ROI pour l’utilisateur final.