Thèse soutenue

Méthodes d’apprentissage profond reproductibles et interprétables pour le diagnostic, le pronostic et l’identification de sous-groupes de la maladie d’Alzheimer à partir de données de neuroimagerie

FR  |  
EN
Auteur / Autrice : Elina Thibeau-Sutre
Direction : Didier DormontNinon Burgos
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 08/12/2021
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 et de la moelle épinière (Paris). Algorithmes, modèles et méthodes pour les images et les signaux du cerveau humain sain et pathologique
Jury : Président / Présidente : Christophe Marsala
Examinateurs / Examinatrices : Olivier Colliot, Camille Maumet, Carole Lartizien
Rapporteurs / Rapporteuses : Pierrick Coupé, Ivana Išgum

Résumé

FR  |  
EN

L’objectif de cette thèse était la validation de l’existence ainsi que la découverte de nouveaux sous-types au sein de la maladie d’Alzheimer, première cause de démence au monde. Afin d’explorer son hétérogénéité, nous avons employé des méthodes d’apprentissage profond appliquées à une modalité de neuroimagerie, l’imagerie par résonance magnétique structurelle.Cependant, la découverte de biais méthodologiques importants dans de nombreuses études de notre domaine, ainsi que l’absence de consensus de la communauté sur la manière d’interpréter les résultats des méthodes d’apprentissage profond a fait en partie dévier la thèse de son objectif principal pour s’orienter d’avantage vers des problématiques de validation, de robustesse et d’interprétabilité de l’apprentissage profond. Ainsi, trois études expérimentales ont été menées pour s’assurer de la capacité des réseaux profonds de correctement détecter la maladie. La première est une étude expérimentale de méthodes d’apprentissage profond pour la classification de la maladie d’Alzheimer et a permis d’établir une juste comparaison des méthodes. La seconde étude a permis de constater un manque de robustesse de la classification avec l’apprentissage profond en termes de motifs d’atrophie découverts à l’aide de méthodes d’interprétabilité. Enfin, la dernière étude propose une méthode de découverte de sous-types aidée par l’augmentation de données. Bien que fonctionnant sur des données synthétiques, celle-ci ne généralise pas aux données réelles.Une contribution majeure de la thèse est la librairie ClinicaDL, grâce à laquelle les résultats expérimentaux de la thèse ont été produits de manière à être reproductibles.