Classification du tissu cérébral basée sur le signal et la modèlisation d'ordre non entier en stéréoélectroencéphalographie

Non-integer Order Modelling and Signal Based Brain Tissue Classification in Stereoelectroencephalography

• Auteur / Autrice : Mariana Mulinari Pinheiro Machado
• Direction : Alina Voda, Olivier David, Gildas Besançon
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance le 09/09/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique (2007-....)
• Jury : Président / Présidente : Philippe Kahane
• Jury : Examinateurs / Examinatrices : Dan Stefanoiu
• Jury : Rapporteurs / Rapporteuses : Laurent Koessler, Pierre Melchior

Mots clés

Mots clés contrôlés

Traitement du signal

Algorithmes

Épilepsie

Électroencéphalographie

Mots clés libres

Modèles non entiers

Modélisation de l'interface cerveau-Électrode

Classification de tissus

Stéréoélectroencéphalographie

Interface électrode-Électrolyte

Estimation de la fonction de transfert empirique

Electrode-Electrolyte interface

Stereoelectroencephalography

Empirical transfer function estimate

Non-Integer models

Tissue classification

Brain-Electrode interface modelling

Résumé

L'épilepsie est un trouble neurologique qui touche plus de 15 millions de personnes dans le monde. Dans les cas où les patients souffrent d'épilepsie focale résistante aux médicaments, une chirurgie résective peut être envisagée. Pour qu'une telle chirurgie soit réussie, il est impératif d'identifier correctement la zone épileptique (ZE) à enlever, ainsi que le cortex éloquent à éviter. L'un des examens préchirurgicaux qui peut être réalisé est la stéréoélectroencéphalographie (SEEG), dans laquelle des électrodes sont placées directement dans le cerveau du patient. Lors de cet examen, la classification correcte des contacts est cruciale pour l'identification correcte des ZE. Non seulement cela aide à choisir les contacts à enregistrer, mais aussi, en cas de stimulation cérébrale directe, il est important de savoir quel type de tissu est stimulé car ils ont des dynamiques différentes.Jusqu'à présent, la grande majorité de la classification des tissus cérébraux se fait par imagerie, le plus souvent avec le co-enregistrement de l'imagerie par résonance magnétique (IRM) et de la tomographie par ordinateur (CT). Ce processus d'étiquetage n'est pas toujours disponible. De plus, ces méthodes sont limitées par les résolutions d'imagerie, ce qui peut parfois induire des erreurs de classification. Il est donc intéressant d'explorer d'autres types de classification des tissus qui ne reposent pas sur l'imagerie.Dans ce contexte, l'objectif de cette thèse est de proposer différentes méthodes de classification des tissus cérébraux en utilisant uniquement les signaux typiques mesurés lors des examens SEEG avec le patient au repos. Dans cette étude, deux approches principales ont été proposées pour y parvenir : Une approche basée sur le signal, et une approche basée sur un modèle. Dans le premier cas, les signaux SEEG bruts ont été considérés, et les caractéristiques ont été extraites directement soit des domaines temporel et fréquentiel, soit de la réponse fréquentielle non-paramétrique des contacts consécutifs appariés. Pour l'approche basée sur un modèle, un circuit électronique est proposé prenant en compte des trios de contacts consécutifs, sur la base des propriétés physiques de l'interface cerveau-électrode discutées dans la littérature. Un algorithme d'identification a été proposé pour identifier un tel modèle basé sur des techniques de modélisation dynamique, avec la spécificité de traiter la dynamique d'ordre fractionnaire.Les deux approches ont été testées avec des données enregistrées chez 19 patients épileptiques. L'étiquetage préalable provenant du co-enregistrement de l'IRM et du CT scanner des patients est utilisé pour la classification supervisée. Dans l'approche par le signal, les caractéristiques obtenues à partir de la réponse en fréquence non paramétrique se sont avérées être les plus discriminantes, avec une précision allant jusqu'à 72+-1% en considérant les paires de contacts dans un tissu homogène avec une analyse discriminante linéaire (LDA). Pour la seconde approche, la précision obtenue était de 73+-6% avec un classificateur LDA en considérant des trios de contacts dans des tissus hétérogènes. Les caractéristiques proposées dans ce travail se sont avérées plus discriminantes que celles proposées dans le seul autre travail qui utilise les signaux SEEG pour la classification des tissus cérébraux. Enfin, les deux approches, celle du signal et celle du modèle, ont été combinées pour créer un classificateur général des tissus cérébraux capable de classer les combinaisons de tissus homogènes et hétérogènes entre des trios de contacts consécutifs.En l'état, les méthodes de classification proposées peuvent être utilisées comme support aux méthodes existantes basées sur l'imagerie, et peuvent aider les médecins à prendre des décisions pendant l'examen SEEG.

Epilepsy is a neurological disorder that affects over 15 million people worldwide. In cases where the patients suffer from drug-resistant focal epilepsy, a resective surgery might be considered. In order for such a surgery to be successful, it is imperative to correctly identify the epileptic zone (EZ) to be removed, as well as the eloquent cortex to be avoided. One of the pre-surgical examinations that can be conducted is the stereoelectroencephalography (SEEG), in which electrodes are placed directly into the brain of the patient. In this examination, the correct classification of contacts is crucial for the correct identification of EZs. Not only it helps with choosing contacts to be recorded, but also, in cases of direct brain stimulation, it is important to know what type of tissue is being stimulated as they have different dynamics.So far, the vast majority of brain tissue classification is done via imaging, most commonly with the co-registration of magnetic resonance imaging (MRI) and computer tomography (CT) scan. This labelling process is not always available. Moreover, such methods are limited by imaging resolutions, which can sometimes induce classification errors. Thus, it is of interest to explore other types of tissue classification that do not rely on imaging.In this context, the aim of this thesis is to propose different brain tissue classification methods using solely typical signals measured during SEEG examinations with the patient at rest. In this study, two main approaches were proposed to do so: A signal based approach, and a model based approach. For the first case, raw SEEG signals where considered, and features were extracted directly either from the temporal and frequency domains, or from the non-parametric frequency response of paired consecutive contacts. For the model based approach, an electronic model considering trios of consecutive contacts was proposed, based on the physical properties of the brain-electrode interface discussed in literature. An identification algorithm was proposed to identify such model based on dynamical modelling techniques, with the specificity of dealing with fractional order dynamics.The two approaches were tested with data recorded in 19 epileptic patients. Previous labelling from the co-registration of MRI with CT scan of the patients is used for supervised classification. From the signal approach, the features obtained from the non-parametric frequency response were proven to be the most discriminant ones, with up to 72+-1% accuracy considering contact pairs in homogeneous tissue with a linear discriminant analysis (LDA). For the second approach, the achieved accuracy was of 73+-6% with a LDA classifier considering trios of contacts in heterogeneous tissues. The proposed features in this work proved to be more discriminant than the ones proposed in the only other work that uses SEEG signals for brain tissue classification. Finally, both signal and model approaches were combined to create a general brain tissue classifier that can classify both homogeneous and heterogeneous tissue combinations between trios of consecutive contacts.As they are, the proposed classification methods can be used as a support to the existing ones based on imaging, and can help doctors to make decisions during SEEG examination.