Caractérisation d'anomalies sur les données IRM des patients Parkinsoniens 'de novo'

Anomaly characterization in the MRI data of 'de novo' Parkinson patients

• Auteur / Autrice : Verónica Muñoz Ramírez
• Direction : Michel Dojat, Florence Forbes
• Type : Thèse de doctorat
• Discipline(s) : Biotechnologie, instrumentation, signal et imagerie pour la biologie, la médecine et l'environnement
• Date : Soutenance le 09/12/2020
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Institut des neurosciences de Grenoble
• Jury : Président / Présidente : Philippe Cinquin
• Jury : Examinateurs / Examinatrices : Michel Dojat, Florence Forbes, Vincent Vigneron
• Jury : Rapporteur / Rapporteuse : Meritxell Bach Cuadra, Olivier Coulon

Mots clés

Mots clés contrôlés

Imagerie pour le diagnostic

Imagerie par résonance magnétique

Parkinsoniens

Maladie de Parkinson

Troubles moteurs

Mots clés libres

Apprentissage

Irm

Cerveau

Detection d'anomalies

Parkinson

Brain

Mri

Parkinson

Anomaly detection

Machine Learning

Résumé

La maladie de Parkinson est un trouble progressif du système nerveux caractérisé par la dégénérescence des neurones dopaminergiques trouvés dans la substantia nigra. En général, le diagnostic est posé par le neurologue lorsque les patients commencent à ressentir les symptômes moteurs bien connus de cette maladie, à savoir la raideur, l’akinésie et les tremblements au repos. À ce stade, on estime que 60 à 80% des neurones producteurs de dopamine ont déjà été perdus ou altérés.Cependant, comme la perte de ces neurones perturbe le fonctionnement des structures sous-corticales, de nombreux symptômes non moteurs tels que des troubles visuels et olfactifs, des troubles de l’humeur ou des modifications de la perfusion cérébrale peuvent apparaitre à un stade plus précoce de la pathologie.Dans ce contexte, notre projet vise à révéler des anomalies spécifiques chez les patients Parkinsoniens nouvellement diagnostiqués qui pourraient conduire à un diagnostic plus précoce et à un sous-typage des patients pour définir un traitement plus personnalisé et ralentir la progression de la maladie.Pour atteindre cet objectif, nous avons exploré trois approches différentes. Premièrement, nous avons recherché des changements morphométriques dans les données structurelles en utilisant des techniques standard telles que VBM, DBM et SBM. Deuxièmement, nous avons conçu une méthodologie à base d’apprentissage profond pour détecter les anomalies cérébrales dans les IRM de diffusion. Enfin, nous avons développé une approche statistique originale basée sur des modèles de mélange générés à partir des lois de distribution de Student. Cela nous permet de pour construire un modèle de normalité à partir de données quantitatives multimodales de sujets sains, pour ensuite détecter les anomalies présentes chez nos patients.

Parkinson’s disease (PD) is a progressive disorder of the nervous system characterized by the degeneration of dopaminergic neurons found in the substantia nigra. In general, the diagnosis occurs once the patients start experiencing the well-known motor symptoms of this disease, namely stiffness, akinesia and resting tremor. By this moment, it is estimated that 60 to 80% of the dopamine-producing neurons have already been lost or impaired.However, as the loss of these neurons disrupts the functioning of the subcortical structures, many non-motor symptoms such as visual and olfactory disturbances, mood disorders, or changes in cerebral perfusion occur earlier in the pathology.In this context, our project aims to find specific signatures in the newly diagnosed Parkinson’s patients that can lead to earlier diagnosis and the classification of patients into sub-types for more tailored treatments to slow down the disease process.To reach this objective, we have explored three different approaches. Firstly, we searched for morphometric changes in structural data using popular techniques such as VBM, DBM and SBM. Secondly, we conceived a deep-learning methodology to detect brain diffusion anomalies employing reconstruction errors of a trained auto-encoder. Finally, we developed an original statistical approach based on mixture models generated from Student distribution laws to construct a reference control model from multi-modal quantitative data of “normality” and to classify the abnormalities present in our patients.