Formation and differentiation of multiple mesenchymal lineages during lung development is regulated by {beta}-catenin signaling.

BACKGROUND: The role of ss-catenin signaling in mesodermal lineage formation and differentiation has been elusive. METHODOLOGY: To define the role of ss-catenin signaling in these processes, we used a Dermo1(Twist2)(Cre/+) line to target a floxed beta-catenin allele, throughout the embryonic mesenchyme. Strikingly, the Dermo1(Cre/+); beta-catenin(f/-) conditional Knock Out embryos largely phenocopy Pitx1(-/-)/Pitx2(-/-) double knockout embryos, suggesting that ss-catenin signaling in the mesenchyme depends mostly on the PITX family of transcription factors. We have dissected this relationship further in the developing lungs and find that mesenchymal deletion of beta-catenin differentially affects two major mesenchymal lineages. The amplification but not differentiation of Fgf10-expressing parabronchial smooth muscle progenitor cells is drastically reduced. In the angioblast-endothelial lineage, however, only differentiation into mature endothelial cells is impaired. CONCLUSION: Taken together these findings reveal a hierarchy of gene activity involving ss-catenin and PITX, as important regulators of mesenchymal cell proliferation and differentiation.

Priorities in the Location of Multiple Public Facilities

A collective decision problem is described by a set of agents, a profile of single-peaked preferences over the real line and a number k of public facilities to be located. We consider public facilities that do not su¤er from congestion and are non-excludable. We provide a characterization of the class of rules satisfying Pareto-efficiency, object-population monotonicity and sovereignty. Each rule in the class is a priority rule that selects locations according to a predetermined priority ordering among interest groups. We characterize each of the subclasses of priority rules that respectively satisfy anonymity, hiding-proofness and strategy-proofness. In particular, we prove that a priority rule is strategy-proof if and only if it partitions the set of agents into a fixed hierarchy. Alternatively, any such rule can be viewed as a collection of fixed-populations generalized peak-selection median rules (Moulin, 1980), that are linked across populations, in a way that we describe.

Urban Detection From Hyperspectral Images Using Dimension-Reduction Model and Fusion of Multiple Segmentations Based on Stuctural and Textural Features

Ce mémoire de maîtrise présente une nouvelle approche non supervisée pour détecter et segmenter les régions urbaines dans les images hyperspectrales. La méthode proposée n ́ecessite trois étapes. Tout d’abord, afin de réduire le coût calculatoire de notre algorithme, une image couleur du contenu spectral est estimée. A cette fin, une étape de réduction de dimensionalité non-linéaire, basée sur deux critères complémentaires mais contradictoires de bonne visualisation; à savoir la précision et le contraste, est réalisée pour l’affichage couleur de chaque image hyperspectrale. Ensuite, pour discriminer les régions urbaines des régions non urbaines, la seconde étape consiste à extraire quelques caractéristiques discriminantes (et complémentaires) sur cette image hyperspectrale couleur. A cette fin, nous avons extrait une série de paramètres discriminants pour décrire les caractéristiques d’une zone urbaine, principalement composée d’objets manufacturés de formes simples g ́eométriques et régulières. Nous avons utilisé des caractéristiques texturales basées sur les niveaux de gris, la magnitude du gradient ou des paramètres issus de la matrice de co-occurrence combinés avec des caractéristiques structurelles basées sur l’orientation locale du gradient de l’image et la détection locale de segments de droites. Afin de réduire encore la complexité de calcul de notre approche et éviter le problème de la ”malédiction de la dimensionnalité” quand on décide de regrouper des données de dimensions élevées, nous avons décidé de classifier individuellement, dans la dernière étape, chaque caractéristique texturale ou structurelle avec une simple procédure de K-moyennes et ensuite de combiner ces segmentations grossières, obtenues à faible coût, avec un modèle efficace de fusion de cartes de segmentations. Les expérimentations données dans ce rapport montrent que cette stratégie est efficace visuellement et se compare favorablement aux autres méthodes de détection et segmentation de zones urbaines à partir d’images hyperspectrales.