Data-driven methods for characterizing individual differences in brain MRI

Résumé

Comprendre la structure et la fonction du cerveau humain est un problème de taille, essential au développement de traitements efficaces pour les maladies neurologiques comme la maladie d’Alzheimer et la maladie de Parkinson. Alors que la plupart des études font des inferences au niveau de groupes d’individus, les chercheurs ont établi que la structure et la fonction du cerveau varient d’un individu à un autre. Motivés par cette observation, plusieurs travaux récents se sont consacrés au développement de caractérisations compactes de cerveaux individuels, appelées empreintes du cerveau. Jusqu’à présent, ces études se sont principalement concentrées sur des empreintes à base d’une seule modalité, en particulier, utilisant la connectivité fonctionnelle. Cependant, plusieurs aspects importants n’ont pas été abordés dans ces études. Premièrement, le potentiel des empreintes cérébrales basées sur la connectivité structurelle n’a pas été exploré à fond. Ceci est en partie dû aux défis découlant des données de tractographie, y compris l’absence d’un étalon de comparaison et la variabilité des faisceaux de fibres. Deuxièmement, en raison des difficultés liées à la combinaison de plusieurs modalities dans un modèle unique, le développement d’une empreinte cérébrale multimodale demeure à ce jour un problème non-résolu. Cependant, puisque chaque modalité capture des proprieties uniques du cerveau, la combinaison de plusieurs modalités pourrait fournir une information plus riche et plus discriminante. Cette thèse aborde ces défis à travers trois contributions distinctes. La première contribution consiste en des approches efficaces, basées sur l’apprentissage de dictionnaires par noyaux et les aprioris de parcimonie, pour la segmentation des fibres de la matière blanche et la caractérisation de leur variabilité inter-sujet. Le principe général des approches proposées est d’apprendre un dictionnaire compact de fibres capable de decrier l’ensemble des données, et d’encoder les faisceaux comme une combinaison parcimonieuse de plusieurs prototypes du dictionnaire. Ces approches permettent d’assigner des fibres à plus d’un faisceau, ce qui les rend mieux adaptées aux scénarios où les fibres ne sont pas clairement séparées, les faisceaux se chevauchent, ou lorsqu’il existe une variabilité inter-individuelle importante. De plus, ces approches n’exigent pas une représentation explicite des fibres et peuvent être adaptées à n’importe quelle représentation de fibres ou mesure de distance / similarité. Des expériences sur un jeu de données étiquetées et des données du Human Connectome Project (HCP) mettent en évidence la capacité de ces approches à regrouper les fibres en faisceaux plausibles, et illustrent les avantages de l’utilisation d’aprioris de parcimonie. La deuxième contribution est une nouvelle empreinte cérébrale, appelée Fiberprint, la première à capturer la géométrie des fibres de matière blanche dans les individus. Cette empreinte utilise les approches d’apprentissage de dictionnaire provenant de la première contribution pour représenter les fibres de sujets dans un espace commun correspondant aux faisceaux proéminents. Des empreintes cérébrales compactes sont générées en appliquant une fonction de regroupement pour chaque faisceau, encodant les propriétés uniques des fibres telles que leur densité le long des faisceaux. Dans une analyse à grande échelle utilisant les données de 861 sujets du HCP, l’empreinte proposée est capable d’identifier des exemplaires du même individu ou des sujets génétiquement liés en utilisant un nombre limité de fibres. Enfin, la troisième contribution de cette thèse est une première méthode automatique pour générer des empreintes cérébrales à partir de données multimodales. L’idée de base de cette méthode est de représenter chaque image comme un ensemble de caractéristiques locales, et d’utiliser ces caractéristiques multimodales pour représenter des sujets dans un sous-espace de basse dimension appelé variété. Des expériences utilisant l’IRM pondérée T1/T2, l’IRM de diffusion et l’IRM fonctionnelle au repos de 945 sujets du HCP démontrent l’avantage de combiner plusieurs modalités, les empreintes multimodales étant plus discriminantes que celles générées par les modalités individuelles. Les résultats mettent également en évidence le lien entre la similarité des empreintes et la proximité génétique, les jumeaux monozygotes ayant des empreintes plus similaires que les jumeaux dizygotes ou non-jumeaux. Le travail présenté dans cette thèse peut être bénéfique à diverses études en neuroscience. Ainsi, les approches de segmentation présentées dans la thèse fournissent un moyen flexible et efficace pour analyser des courbes 3D comme celles provenant de la tractographie, et conviennent aux analyses à grande échelle de la connectivité structurelle. Fiberprint, qui est la première empreinte cérébrale caractérisant la géométrie des fibres de la matière blanche, offre une technique puissante pour explorer les différences individuelles en termes de connectivité de la matière blanche et leurs relations avec la génétique. En incluant des informations sur la microstructure le long de faisceaux, l’empreinte proposée pourrait également être utilisée pour définir de nouveaux biomarqueurs pouvant détecter et suivre la progression de maladies neurologiques comme la maladie de Parkinson. Enfin, l’empreinte cérébrale multimodale issue de cette recherche complémente les efforts en cours pour analyser les caractéristiques individuelles du cerveau en permettant de comparer et de contraster la contribution de différentes modalités d’imagerie. Elle peut ainsi mener à de nouvelles connaissances sur la variabilité de la structure et de la fonction du cerveau, ce qui pourrait aider au développement de strategies de traitement personnalisées.

Date	11 juin 2018
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Christian Desrosiers (Directeur(-trice))