Geometrical learning of brain surface data

Résumé

Les corps cellulaires de neurones résident principalement dans le cortex cérébral. L’étude de cette fine surface, extrement pliée, est essentielle à la compréhension du fonctionnement du cerveau. Cependant, l’analyse des données surfaciques reste difficile dû à la grande variabilité de la géométrie corticale. Ignorer cette géométrie complexe pose un défi non-résolu pour l’analyse statistique des données surfacique. La plupart des méthodes conventionnelles reposent sur un processus heuristique à plusieurs étapes, telles que les simplifications géométriques et les inflations sphériques, nécessitant un temps de calcul considérable. L’objectif principal de cette thèse est de développer des cadriciels géométriques afin d’apprendre directement des données sur des surfaces corticales. Plus précisément, nous proposons d’abord un réseau de convolution de graphes spectraux pour effectuer une analyse de surface avec une application à la parcellation corticale. Ensuite, nous présentons une technique de regroupement adaptatif (adaptive pooling) pour des tâches de classification et de régression de données sur graphes dans le but de faciliter un apprentissage hiérarchique de données sur des surfaces multiples. Enfin, nous illustrons une approche conjointe de reconstruction et de segmentation de surfaces corticales afin d’exploiter les données de surfaces directement à partir d’un volume IRM. Cette thèse a donné lieu à trois publications dans des journaux et à cinq publications dans des conférences évaluées par les pairs. Les contributions individuelles de cette thèse sont présentées ci-dessous. Dans notre premier objectif, nous présentons une nouvelle approche pour l’apprentissage et l’exploitation directe de données surfaciques sur de multiples domaines. L’apprentissage direct des données de surface via des convolutions de graphes fournit une nouvelle famille d’algorithmes rapides pour l’analyse de données corticales du cerveau. Cependant, la limite des approches actuelles réside principalement en leur incapacité à comparer les données de surface entre différents domaines de données. Les représentations surfaciques sont en effet incompatibles entre différentes géométries de cerveau. Nous tirons parti des récentes avancées en appariement de graphes spectraux pour faciliter le transfert de données surfacoques entre des domaines spectraux alignés. Cette nouvelle approche permet un apprentissage directement sur des surfaces à l’aide de bases spectrales compatibles. Un réseau de convolution de graphes spectraux peut ainsi exploiter des filtres spectraux sur les représentations intrinsèques de surfaces. Nous illustrons les avantages de cette approche par une application à la parcellation du cerveau. Nous validons l’algorithme sur 101 surfaces cérébrales étiquetées manuellement. Les améliorations de la parcellation indiquent une augmentation de 29% de la précision ainsi que des gains significatifs en capacité computationnelle par rapport aux méthodes conventionnelles. Dans le deuxième objectif, nous proposons une nouvelle méthode d’apprentissage d’appariement sur graphes (graph pooling) afin de pouvoir aggréguer directement des données sur graphes provenant de multiples sur surfaces. La méthode présentée innove en apprenant une agrégation intrinsèque des noeuds d’un graphe basée sur l’analyse spectrale de graphe. Nous illustrons les avantages de notre approche par des expériences exhaustives sur deux ensembles de données de référence. L’analyse par ablation présentée dans le chapitre illustre l’impact de divers facteurs sur notre méthode d’appariement. La flexibilité de la stratégie d’appariement est évaluée sur quatre tâches de prédiction différentes, à savoir la classification du sexe des sujets, la régression de la taille des régions corticales, la classification des stades de la maladie d’Alzheimer et la régression de l’âge du cerveau. Notre approche d’apprentissage d’appariement présente des améliorations allant de 7 à 11% par rapport à d’autres techniques d’appariement pour les réseaux convolutifs sur graphes, avec des résultats améliorant l’état de l’art de l’analyse de surfaces de cerveau. Notre troisième objectif présente une stratégie antagoniste à l’adaptation de domaine nonsupervisée afin d’apprendre des données de surface dans des domaines de graphes irréguliers. Cette nouvelle approche comprend un segmenteur qui utilise des couches de convolution de graphes pour permettre la parcellation de surfaces cérébrales à géométrie variable et un discriminateur qui prédit le domaine d’alignement des surfaces à partir de leur segmentation. L’entraînement antagoniste apprend une représentation invariante de l’alignement produisant des parcellations cohérentes pour des surfaces alignées différemment en trompant le discriminateur. En utilisant les surfaces cérébrales étiquetées manuellement de MindBoggle, le plus grand ensemble de données publiques de ce type, nous démontrons une amélioration de 2 à 13% de la moyenne de Dice par rapport à une stratégie d’apprentissage non contradictoire pour les surfaces cérébrales de test sans alignement ou alignées sur une référence différente des exemples sources. Notre quatrième objectif final propose SegRecon, une méthode d’apprentissage profond intégrée de bout en bout pour reconstruire et segmenter conjointement les surfaces corticales directement à partir d’un volume IRM en une seule étape. Nous entraînons un réseau neuronal basé sur le volume pour prédire, pour chaque voxel, les distances signées à de multiples surfaces imbriquées et leur représentation sphérique correspondante dans l’espace atlasique. Ceci est, par exemple, utile pour reconstruire et segmenter conjointement l’interface matière blanche-matière grise et l’interface matière grise-CSF (pial). Nous évaluons les performances de notre méthode de reconstruction et de segmentation de surface à l’aide d’un ensemble complet d’expériences sur les jeux de données MindBoggle, ABIDE et OASIS. Notre erreur de reconstruction est inférieure à 0.52mm et 0,97mm en termes de distance de Hausdorff moyenne par rapport aux surfaces générées par FreeSurfer. De même, les résultats de la parcellation montrent une amélioration de plus de 4% de la moyenne de Dice par rapport à FreeSurfer, en plus d’une accélération drastique observée, passant de plusieurs heures à quelques secondes de calcul sur une station de bureau standard. Le travail décrit dans cette thèse profitera aux études en neurosciences. De façon pratique, les algorithmes proposés aideront de manière significative les cliniciens à cibler une zone particulière du cerveau, utiles au développement de médicaments, et à prédire les précurseurs de l’atrophie corticale en exploitant explicitement la géométrie complexe du cortex cérébral et à isoler la géométrie discriminante liée à la maladie d’Alzheimer. De plus, cette thèse peut aider à l’extraction rapide et précise de surfaces et à leur parcellation directement à partir de volumes IRM structurels. Ce travail permettra également de réduire la charge financière des patients en fournissant des outils algorithmiques pour la recherche thérapeutique. D’une manière générale, ce travail sera utilisé pour trouver de nouveaux biomarqueurs basés sur la géométrie pour mieux détecter la maladie d’Alzheimer et pour aider à la compréhension d’autres troubles neurologiques.

Date	2 déc. 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Hervé Lombaert (Directeur(-trice)) & Christian Desrosiers (Codirecteur(-trice))