Toward Automatic Dendritic Spines Segmentation

Abstract

El cerebro humano es uno de los órganos más complejos y menos comprendidos. A pesar de los grandes avances científicos de las últimas décadas, siguen existiendo muchas incógnitas sobre su estructura y funciones. En este contexto, son varias las iniciativas que han surgido para intentar descifrar el funcionamiento del cerebro como The Human Brain Project1 (HBP), que forma parte del programa FET-Flagship, promovido por la comisión europea. El grupo de investigación Visualization & Graphics Lab2 (VG-Lab) ha participado en el proyecto HBP desde el inicio y es en esta colaboración con neurocientíficos donde se inicia el trabajo de esta tesis, cuya motivación inicial es la de facilitar el análisis de datos microanatómicos mediante el diseño y el desarrollo de software informático. En concreto, este trabajo pretende abordar el problema de la segmentación de espinas dendríticas. Las células piramidales son las neuronas más numerosas en la corteza cerebral y desempeñan un papel crucial en el funcionamiento del cerebro. Estas células forman la mayoría de las conexiones corticales y sus espinas dendríticas representan el lugar de contacto de la mayoría de sinapsis excitatorias [DF92]. Las espinas dendríticas son unas pequeñas protusiones que se extienden de las ramas dendríticas y han demostrado ser fundamentales para un número importante de procesos cognitivos, incluyendo el aprendizaje y la memoria [BH07; Spr08; Yus10; KDM14]. Su estructura es esencial para la transmisión de señales neuronales, y cambios en su morfología están relacionados con la plasticidad sináptica y diversas enfermedades neurodegenerativas [FSH02; YL12; Mer*13]. La investigación en este ámbito se ha centrado en estudiar la densidad, forma, tamaño y distribución de las espinas dendríticas utilizando métodos de captura como la microscopía confocal. Una vez las imágenes son capturadas, se busca realizar una reconstrucción 3D para su estudio. El pequeño tamaño, forma irregular y gran variabilidad anatómica de las espinas hacen que el proceso de segmentación sea todo un desafío. Las técnicas actuales requieren de la supervisión de un experto, por lo que el proceso es tedioso, caro, propenso a errores humanos y limita la cantidad de datos segmentados disponible [Zha*10; Muk*11]. Para facilitar esta tarea, se han desarrollado diferentes métodos, incluyendo técnicas de procesamiento de imagen o de Machine Learning (ML), no obstante, no existe una solución totalmente automática que funcione de forma robusta. Las soluciones más utilizadas por los neurocientíficos son las comerciales y presentan ciertas limitaciones. Por un lado, algunas de ellas requieren una supervisión completa del usuario, por lo que, a pesar de que ofrecen un buen resultado, consumen mucho tiempo. En otros casos, facilitan la tarea mediante técnicas semi-automáticas que requieren de la configuración de parámetros poco intuitivos y dificultan la corrección de errores locales. Otras soluciones semi-automáticas ofrecen una configuración de parámetros fácilmente interpretables, pero a expensas de hacer una aproximación simplificada de la geometría de las ramas y espinas dendríticas. El trabajo presentado en esta tesis demuestra la viabilidad de usar técnicas de Deep Learning (DL) para automatizar la segmentación automática de espinas dendríticas. Pensamos que debido a las limitaciones de las soluciones actuales, la segmentación automática de espinas presenta un gran potencial para facilitar el estudio de estas estructuras y avanzar en el estudio del cerebro.