Advancing brain MRI assessment using generative models

Résumé

L’imagerie par résonance magnétique (IRM) est une modalité essentielle du diagnostic neurologique, offrant une visualisation non invasive et haute résolution de la structure et du fonctionnement cérébral. Malgré son adoption généralisée, l’analyse automatisée de l’IRM se heurte à des défis persistants : variabilité entre sites, rareté des annotations, et subtilité de certaines anomalies développementales ou pathologiques. Surmonter ces limites est crucial pour renforcer la fiabilité, la généralisation et la mise à l’échelle du diagnostic en contexte clinique réel. Cette thèse explore l’intégration des modèles génératifs dans l’analyse des IRM cérébrales comme alternative rigoureuse et économe en annotations aux approches discriminantes classiques. En modélisant la distribution sous-jacente des données d’IRM cérébrales, ces modèles offrent des outils robustes pour l’apprentissage non supervisé, la simulation de la variabilité anatomique et une meilleure interprétabilité. Trois domaines d’application principaux sont étudiés : l’harmonisation non supervisée des IRM cérébrales, la détection non supervisée d’anomalies cérébrales, et l’estimation de l’âge cérébral néonatal. Nous introduisons d’abord Harmonizing Flows, un nouveau cadre basé sur les normalizing flows pour l’harmonisation non supervisée et sans accès aux données sources des IRM multisites. Cette méthode aligne efficacement les distributions entre scanners tout en préservant les caractéristiques cliniques, améliorant ainsi la généralisation, même sur des domaines non vus. Ensuite, nous présentons une progression de modèles génératifs pour la détection d’anomalies non supervisée : MAD-AD, DeCo-Diff et REFLECT. Chacune s’appuie sur les forces de la précédente et corrige ses limites, menant à des solutions plus robustes. Ces modèles apprennent le variété de l’anatomie cérébrale saine et identifient les déviations pathologiques sans annotations, avec d’excellents résultats sur divers jeux de données. Enfin, nous proposons une méthode pour estimer l’âge cérébral néonatal, permettant d’identifier les nourrissons à risque de retards en quantifiant des écarts de maturation invisibles aux évaluations classiques. Ensemble, ces contributions établissent un cadre cohérent d’analyse IRM cérébrale fondé sur des modèles génératifs, alliant évolutivité, interprétabilité et utilité clinique. Des évaluations sur des populations et conditions variées démontrent une robustesse, une capacité diagnostique accrue et une généralisation inter-domaines renforcée. Ce travail met en lumière le potentiel transformateur des modèles génératifs en neuro-imagerie et ouvre la voie à des diagnostics plus accessibles, équitables et efficaces.

Date	10 sept. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	José Dolz (Directeur(-trice)), Christian Desrosiers (Codirecteur(-trice)) & Gregory A. Lodygensky (Codirecteur(-trice))