Une méthode de poursuite de tâches multiples : application à l'étude de la dynamique d'objets biologiques en microscopie 3D+T
Institution:
Paris 5Disciplines:
Directors:
Abstract EN:
We present a method to track multiple fluorescent spots produced by biologcal objects in 3 dimensiosn with time microscopy. Several challenges were encountered in developing the method : the spots are numerous, they evolve in a very noisy background, they don't have clear borders, they are difficult to model and they can appear and disappear and cross over each other. The Bayesian approach we propose is made of three components : a detection method, a prediction-estimation method (also called filtering) and a data association method. The detection method is based on a undecimated 3D wavelet transform. A study of several Bayesian filters enabled us to select the Interacting Multiple Models (IMM) filter for which we propose several dynamic models well adapted to this specific problem. The principal novelty of this work is within the association step. First we show that, for the multiple spot tracking problem, the assumptions made by usual most performing data association algorithm are never met, leading to the failure of the tracking. To solve this problem conundrum, we present a new data associationmethod that transforms the detection result set in a set thet meets the required assumptions. This transformation uses the future estimated states given by the Bayesian filters and two functions that we call split and merge functions the latter are build from the a priori knowledge we possess about the type of errors that are made by the detection step. The multiple spot tracking method we present thus combines a set of dynamic models, an automatic updating method for de-validation gates and the new data association method. An automate evaluation on synthetic data shows that : 1) THe IMM filter within all the proposed dynamic models offers better prediction than each of the models taken alone ; 2) the automatic update of the validation gate method enables us to reduce de-validation volume without losing the target, increasing the efficiency of the association step. 3) The new data association method is far more robust to the objects' density than the esiting methods. The main advantage of the proposed method is its capacity to track densely moving spots that temprarily split or merge in a noisy environment such as biological contexts. The software developed was utilized to adress several problems in basic cell biology research.
Abstract FR:
Nous proposons une méthode pour suivre de multiples tâches fluorescentes produites par des objets biologiques en microscopie 3D+T. Les difficultés rencontrées sont de plusieurs ordres : les tâches sont en densité élevée, elles évoluent sur un fonds très bruité, elles n'ont pas de bords clairement définis, elle sont difficilement modélisables, elles peuvent disparaître et réapparaître et, enfin, elles peuvent se croiser, s'agglomérer ou encore se disperser. L'approche bayesienne dans laquelles nous nous plaçons est formée de trois composantes : une méthdode de détection, une méthode de prédiction estimation,(aussi appelé filtrage) et une méthode d'association. La méthode de détection est basée sur une transformée en ondelette 3 D non décimée. Une étude des différents filtres baysiens nous a permis de sélectioner le filtre à Intéraction de Modèles Multiples (IMM), pour lequel nous proposons des modèles adaptés. L'apport principal de ce travail concerne l'étape d'association. Nous montrons tout d'abord que , pour le suivi de tâches multiples , les hypothèses sur le résultat de la détection requises par les algorithmes d'association ,les plus éfficaces ne sont jamaisrespectées, ce qui conduit dans le cas général à l'échec du suivi. Pour résoudre ce problème, nous proposons une méthode d'association originale qui transforme le résultat de la détection de manière à ce qu'il respecte les hypothèses requises. Cette transformation utilise les estimations futures de l'état des objets qu'on possède grâce aux filtres bayesiens et deux fonctions prédéterminées dites de séparation et de fusion. Ces fonctions sont développées à partir de la connaissance a priori des types d'erreurs produites par la détection. La méthode complète que nous présentons combine un ensemble de modèles de mouvement, une méthode de mise à jour automatique des fenêtres de recherche et la méthode d'association " séparation-fusion". Une évaluation automatique sur les données simulées montre que : 1) le filtre <imm, doté des modèles proposés, offre une prédiction plus précise que chacun des modèles seuls, 2) la mise à jour automatique des fenêtres de recherche permet de valider la mesure à associer tout en conservant un volume faible. ; 3) la méthode d'association dévelopée est nettement plus robuste à la densité des objets que les méthodes existantes. Le point fort de la méthode de suivi présentée est sa capacité à suivre des tâches qui fusionnent ou se dispersent temporairement dans un environnement bruité. Le logiciel développé pour ce travail a permis par ailleurs d'appliquer cette méthode à différentes problématiques de la biologie cellulaire.