Thèse soutenue

Neuroimagerie structurelle et microstructurelle pour le diagnostic et le suivi de maladies neurodégénératives

FR  |  
EN
Auteur / Autrice : Junhao Wen
Direction : Olivier ColliotStanley Durrleman
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 04/07/2019
Etablissement(s) : Sorbonne université
Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
Partenaire(s) de recherche : Laboratoire : Institut du cerveau (Paris ; 2009-....)
Jury : Président / Présidente : Matthieu Cord
Examinateurs / Examinatrices : Olivier Commowick
Rapporteurs / Rapporteuses : Frederik Barkhof, Pierrick Coupé

Résumé

FR  |  
EN

L’identification et le suivi de biomarqueur de la démence sont essentiels pour mieux comprendre les mécanismes pathologiques et la trajectoire de la maladie. Le diagnostic précoce de la démence constitue un autre défi. Cette thèse a deux objectifs principaux. Premièrement, nous cherchons à identifier les biomarqueurs les plus prometteurs au stade présymptomatique de la démence. Plus spécifiquement, nous avons étudié ce phénomène dans le cas de la dégénérescence lobaire frontotemporale due à la mutation C9orf72. Le deuxième objectif est de faire progresser le diagnostic et le pronostic précoces en utilisant des méthodes d’apprentissage machine et des données d’imagerie par résonance magnétique. Nous abordons cette question dans le contexte de la maladie d’Alzheimer sporadique. Suivant ces deux objectifs, la thèse se compose de deux parties principales, chaque partie comprenant deux études. Dans la première étude, les biomarqueurs ont été identifiés à partir de l’IRM conventionnelle pondérée T1 et du modèle d’imagerie du tenseur de diffusion. La deuxième étude a comparé la sensibilité et la spécificité du modèle NODDI et celle de techniques conventionnelles, à savoir l’IRM pondérée en T1 et le DTI. La deuxième partie porte sur le diagnostic précoce de la MA et comprend les deux dernières études. La troisième étude propose un cadre open source pour une évaluation reproductible de la classification de la MA à l’aide de l’IRM de diffusion et des méthodes classiques d’apprentissage. La dernière étude étend ce cadre aux méthodes d’apprentissage profond et démontre son utilisation sur l’IRM pondérée en T1.