Morphométrie du cerveau à partir de déformations pour le développement de marqueurs de la maladie d'Alzheimer

• Auteur / Autrice : Marco Lorenzi
• Direction : Xavier Pennec, Nicholas Ayache
• Type : Thèse de doctorat
• Discipline(s) : Automatique, traitement du signal et des images
• Date : Soutenance en 2012
• Etablissement(s) : Nice
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)

Mots clés

Mots clés contrôlés

Imagerie par résonance magnétique

Analyse par cohorte

Recalage d'images

Alzheimer, Maladie d'

Résumé

Cette thèse développe un cadre algorithmique pour l’analyse et la quantification des changements structurels longitudinaux dans la maladie d’Alzheimer. Nous proposons une modélisation hiérarchique des différents niveaux de variabilité qui caractérisent les observations longitudinales dans des séquences temporelles d’images cérébrales de résonance magnétique (IRM) en s’appuyant sur un algorithme de recalage difféomorphe paramétré par des champs de vitesse stationnaires (SVFs). Pour obtenir une méthode efficace et robuste de quantification des changements entre deux images IRM, nous proposons une méthode de recalge, les LCC-demons, qui optimise la corrélation locale comme mesure de similarité entre les images LCC-demons. On dérive ensuite des mesures de l’atrophie régionale du cerveau qui sont stables et consistantes en quantifiant les changements de volume de diverses régions ou en mesurant le déplacement des frontières de ces régions. Pour analyser de manière cohérente les évolutions longitudinales au niveau d’une population, nous avons étudié le transport parallèle des trajectoires des déformations de chaque patient vers une référence anatomique (un atlas). Grâce à la théorie des groupes de Lie, nous avons pu justifier le paramétrage stationnaire des diffeomorphismes, et dériver de nouvelles stratégies efficaces pour le transport parallèle de SVFs. Ceci permet de réaliser des statistiques de groupe sur l’évolution de l’atrophie sut la transformation sous-jacente entière et non plus sur quelques-unes de ses caractéristiques seulement. Ces contributions méthodologiques permettent de nouvelles analyses cliniques de l’évolution pathologique de la maladie d’Alzheimer, de manière à la fois exploratoire et quantitative. Nous proposons ainsi plusieurs approches ayant une très bonne puissance statistique pour localiser l’évolution différentielle de différentes populations cliniques, pour évaluer les changements de volume régionaux, et enfin pour le diagnostic clinique dans les phases initiales de la maladie.

The aim of the present thesis is to provide an effective computational framework for the analysis and quantification of the longitudinal structural changes in Alzheimer’s disease (AD). The framework is based on the diffeomorphic non-right registration parameterized by stationary velocity fields (SVFs) and is hierarchically developed to account for the different levels of variability which characterize the longitudinal observations ofT1 brain magnetic resonance images (MRIs). We developed an efficient and robust method for the quantification of the structural changes observed between pairs of MRIs. For this purpose, we propose the LCC-Demons registration framework which implements the local correlation coefficient as similarity metric, and we derives consistent and numerically stable measures of volume change and boundary shift for the regional assessment of the brain atrophy. In order to consistently analyze group-wise longitudinal evolutions, we then investigated the parallel transport of subject-specific deformation trajectories across different anatomical references. Based on the SVF parameterization of diffeomorphisms, we relied on the Lie group theory to propose new and effective strategies for the parallel transport of SVFs, with particular interest into the practical application to the registration setting. These contributions are the basis for the definition of qualitative and quantitative analysis for the pathological evolutions between clinical populations, the statistically powered evaluation of regional volume changes, and the clinical diagnosis at the early/prodromal disease stages.