Application de l’apprentissage automatique en neurosciences pour la procédure d’ablation pré-chirurgicale d’une tumeur cérébrale

Machine Learning Application In Neuroscience For Pre-Surgical Brain Tumor Removal Procedure

• Auteur / Autrice : Lukman Enegi Ismaila
• Direction : David Rousseau, Pejman Rasti, Jean-Michel Lemée
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, vision
• Date : Soutenance le 03/07/2023
• Etablissement(s) : Angers
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
• Jury : Président / Présidente : Ilyess Zemmoura
• Jury : Rapporteurs / Rapporteuses : Stéphanie Bricq, Hasan Demirel

Mots clés

Mots clés contrôlés

Imagerie par résonance magnétique

Imagerie médicale

Réseaux neuronaux graphiques

Réseaux cérébraux

Vision par ordinateur

Intelligence artificielle en médecine

Apprentissage automatique

Apprentissage profond

Neurochirurgie

Mots clés libres

Apprentissage par transfert

IRMf au repos

Réseaux cérébraux fonctionnels

Autosupervision

Classification des images

Augmentation des données

Machine learning

Deep learning

Computer vision

Medical imaging

Transfert learning

Resting-State fMRI

Functional brain networks

Self-Supervision

Image classification

Graph neural network

Data augmentation

Résumé

La résection d’une tumeur cérébrale est une procédure médicale essentielle pratiquée par les neurochirurgiens. Les zones fonctionnelles du cerveau doivent être identifiées et préservées pendant l’opération afin de maintenir la fonction neurologique altérée par la tumeur. L’imagerie par résonance magnétique fonctionnelle (IRMf) est utilisée pour la planification chirurgicale afin d’identifier ces zones sur la base du signal dépendant de l’oxygène du sang (BOLD), qui augmente le flux sanguin dans les régions cérébrales activées. Des paradigmes basés sur des tâches, comme le tapotement des doigts ou la parole, sont traditionnellement utilisés pour cette identification, mais ils prennent du temps et nécessitent la coopération du patient. L’IRMf à l’état de repos (IRMf-R) est une méthode alternative qui analyse les oscillations spontanées du signal BOLD pour identifier les réseaux de connectivité indépendants. Cependant, la reconnaissance manuelle de ces réseaux pendant l’intervention chirurgicale est difficile et sujette à des erreurs. Pour y remédier, nous avons proposé d’utiliser des techniques d’apprentissage automatique et de vision par ordinateur pour reconnaître automatiquement sept réseaux cérébraux fonctionnels à partir de données d’IRMf. La collecte de grandes quantités de don-nées d’IRMf est difficile en raison des limites du partage des données. Nous avons exploré l’apprentissage par transfert en formant des modèles avec des données saines et en les appliquant à des données malsaines pour surmonter cette limitation. Cette approche tire parti de la similitude entre les réseaux d’activation fonctionnelle du cerveau chez les sujets sains et non sains. En outre, nous avons développé un modèle d’apprentissage par auto-supervision qui utilise des ensembles de données saines non étiquetées pour pré-entraîner le modèle, éliminant ainsi la nécessité d’une annotation fastidieuse des données par les cliniciens. Nous avons également étudié les différences entre les données saines et malsaines afin de comprendre leur relation et la manière dont elles affectent la transférabilité et la classification des réseaux cérébraux fonctionnels. En outre, nous avons proposé une méthode de réduction des dimensions et un encodage graphique des images IRMf en utilisant l’apprentissage de la représentation graphique pour éviter les paramètres d’apprentissage importants, les modèles complexes et les exigences informatiques. Cette approche permet d’apprendre efficacement les signaux utiles dans les images d’IRMf et d’obtenir des résultats comparables aux modèles de réseaux neuronaux convolutionnels (CNN) avec des paramètres de modèle réduits.

Brain tumor resection is a critical medical procedure performed by neurosurgeons. Functional brain areas need to be identified and preserved during the surgery to maintain neurological function impaired by the tumor. Functional magnetic resonance imaging (fMRI) is used for surgical planning to identify these areas based on the blood oxygen dependent (BOLD) signal, which increases blood flow in activated brain regions. Task-based paradigms like finger tapping or speech are traditionally used for this identification but are time-consuming and require patient cooperation. Resting state fMRI (rs-fMRI) is an alternative method that analyzes spontaneous BOLD signal oscillations to identify independent connectivity networks. However, manual recognition of these networks during surgery is challenging and prone to errors. To address this, we proposed using machine learning and computer vision techniques to automatically recognize seven functional brain networks from rs-fMRI data. Collecting large amounts of fMRI data is difficult due to medical data sharing restrictions. We explored transfer learning by training models with healthy data and applying them to unhealthy data to overcome this limitation. This approach leverages the similarity between functional brain activation networks in healthy and unhealthy subjects. Additionally, we developed a self-supervision learning model that uses unlabeled healthy datasets to pretrain the model, eliminating the need for time-consuming data annotation by clinicians. We further investigated the differences between healthy and unhealthy data to understand their relationship and how it affects transferability and the classification of functional brain networks. Additionally, we proposed a dimension reduction method and graph encoding of fMRI images using graph representation learning to avoid large training parameters, complex models, and computational demands. This approach effectively learns useful signals in fMRI images and achieves comparable results to convolutional neural network (CNN) models with reduced model parameters.