Intelligence artificielle et maladies neurologiques : aider le diagnostic et améliorer la compréhension du comportement des réseaux de neurones convolutifs

Artificial intelligence for neurological disorders : aiding the diagnosis and better understanding convolutional neural network behavior

• Auteur / Autrice : Giulia Maria Mattia
• Direction : Patrice Péran, Xavier Franceries
• Type : Thèse de doctorat
• Discipline(s) : Radiophysique et Imagerie Médicales
• Date : Soutenance le 09/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Génie électrique, électronique, télécommunications et santé : du système au nanosystème (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Toulouse NeuroImaging Center (2016-....)
• Jury : Président / Présidente : Isabelle Berry
• Jury : Examinateurs / Examinatrices : Patrice Péran, Xavier Franceries, Isabelle Berry, Stéphane Lehéricy
• Jury : Rapporteurs / Rapporteuses : Vincent Labatut

Mots clés

Mots clés contrôlés

Réseaux neuronaux (physiologie)

Diagnostic

Maladies neurodégénératives

Intelligence artificielle

Mots clés libres

Imagerie par résonance magnétique

Cerveau

Apprentissage profond

Maladies neurodégénératives

Atrophie multisystématisée

Coma anoxoischémique

Magnetic resonance imaging

Brain

Deep learning

Neurodegenerative diseases

Atrophy

Anoxoischemic coma

Résumé

L'Intelligence Artificielle est désormais utilisée pour accomplir les tâches les plus diverses, de la reconnaissance de visage à la traduction de texte. Parmi ces méthodes inspirées du fonctionnement du cerveau humain, l'apprentissage profond (deep learning) a montré d'excellentes performances en analyse d'image à l'aide des réseaux de neurones convolutifs (CNN). Le milieu médical est en train de bénéficier de la puissance de ces outils consacrés notamment à l'aide au diagnostic, comme dans la maladie de Parkinson ou d'Alzheimer. L'utilisation des CNN et de l'imagerie par résonance magnétique nucléaire (IRM), qui permet d'étudier le cerveau dans sa structure et son fonctionnement, a montré des résultats très prometteurs. Toutefois, les CNN sont souvent appelés "boites noires" puisque leur fonctionnement n'est pas transparent pour ses utilisateurs. Ces travaux de thèse visent à mieux comprendre ces méthodes appliquées aux données IRM 3D cérébrales pour aider au diagnostic des maladies neurologiques. En première étape, la manipulation des données d'entrée des CNN, nous a permis d'investiguer leur capacité discriminative. Nous avons ainsi étudié le comportement du CNN en comparant sa capacité à discriminer des images IRM originales et altérées. Les résultats obtenus par le CNN ont été très satisfaisants, ce qui a amené à rechercher quelles sont les zones de l'image les plus discriminantes pour la prédiction. En deuxième étape, nous avons étudié la pathologie, en se focalisant sur le nombre de sujets nécessaires au réseau lors de l'apprentissage pour garantir de bonnes performances. Cela est aussi un aspect crucial pour les méthodes de deep learning dont l'apprentissage requiert normalement beaucoup de données. Toutefois, dans le cadre médical nous avons accès à quelques centaines de données dans la plupart des cas. Nous avons démontré qu'un CNN est capable de bien discriminer un sujet sain d'un patient atteint d'atrophie multisystématisée (AMS), malgré un nombre limité de données d'entrée. A l'aide d'une technique récemment développée permettant de visualiser les parties de l'image considérées importantes par le CNN, nous avons montré que les parties discriminantes comprenaient des régions notamment d'intérêt pour la physiopathologie connue de l'AMS. La puissance discriminante du CNN a aussi été exploitée pour réaliser une discrimination entre sujets sains et patients en état de coma, en utilisant différentes séquences d'IRM. La méthode de visualisation a mis en lumière des régions en lien avec le coma, en confirmant les performances très satisfaisantes du réseau. Les études présentées dans cette thèse ouvrent la voie pour découvrir comment les informations englobées dans les données d'apprentissage peuvent aider à la recherche des signatures spatiales significatives obtenues par les CNN dans le cas particulier des données de neuroimagerie. L'application des CNN dans le cadre médical offre la possibilité d'aider le diagnostic de différentes maladies neurologiques en se basant exclusivement sur les données d'entrée. Cependant, la validité de ces résultats se fonde sur notre capacité à expliquer et éclairer ces méthodes pour en favoriser l'acceptation et, par conséquence, l'utilisation dans un contexte clinique.

Artificial Intelligence (AI) currently permeates several aspects of our everyday lives. It allows for solving complex tasks such as face recognition or text translation. Among these powerful tools inspired by brain functioning, deep learning methods have recently been gaining ground in image analysis thanks to the rise of Convolutional Neural Networks (CNNs). In the biomedical domain, these methods have found great success in discriminating neurological diseases, such as Parkinson's or Alzheimer's disease. Many applications using Magnetic Resonance Imaging (MRI) in combination with CNNs have shown promising results. Despite these outstanding performances, CNNs are considered "black boxes" as their decision-making process is not always transparent for human operators. This Ph.D. thesis aims to better understand these methods applied to 3D brain MRI data as an aid to the diagnosis of neurological diseases. First, we characterized CNN behavior by altering ad hoc brain MRI data. This allowed for the investigation of CNN performance to distinguish original from altered brain MRI images. Given the satisfying results, we searched for a spatial signature within the images to discover the most discriminant image parts for CNN prediction. Secondly, we examined CNN performance by considering a specific pathology and focusing on the number of training data needed to discern patients with Multiple System Atrophy (MSA) from healthy controls. Indeed, another crucial aspect of deep learning is the quantity of data necessary for the network to learn. However, it is not uncommon to deal with a lack of data in the medical domain with only a few hundred available. We showed that, even with a limited number of samples, the network could perform the task on new data. Using a recently developed visualization technique, we found that the most discriminant regions were in line with the known MSA physiopathology. Furthermore, using different MRI sequences, we exploited the discriminating power of CNNs to classify normal subjects against comatose patients. We obtained excellent performances supported by the visualization maps, which included regions of interest for patients in coma. The work presented in this thesis opens the way for discovering how the information enclosed in the input data may aid the diagnosis and provide evidence for CNN decisions. That can lead to finding significant spatial signatures relative to the pathology. CNN methods for health applications offer the possibility to support the diagnosis of neurological disorders with a data-driven approach. Nevertheless, it is pivotal to demonstrate the validity of these methods to favor their acceptance and use.