Analyse quantitative du développement cérébral foetal sain et anormal à l'aide de modèles de déformation

Quantitative analysis of healthy and abnormal fetal brain development using deformation models

• Auteur / Autrice : Fleur Gaudfernau
• Direction : Stéphanie Allassonnière, Erwan Le Pennec
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 19/12/2023
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche des Cordeliers (Paris ; 2007-....)
• Jury : Président / Présidente : Alain Trouvé
• Jury : Examinateurs / Examinatrices : Colin Studholme, Julie Delon, Guillaume Auzias
• Jury : Rapporteur / Rapporteuse : François Rousseau, Colin Studholme

Mots clés

Mots clés contrôlés

Cartographie cérébrale

Ondelettes

Analyse multiéchelle

Géométrie de Riemann

Foetus -- Cerveau

Imagerie par résonance magnétique

Mots clés libres

Irm

Imagerie foetale

Cerveau foetal

Anatomie Computationnelle

Lddmm

Géométrie Riemanienne

Multiéchelle

Gyrification

Atlas spatiotemporel

Régression

Mri

Fetal imaging

Fetal brain

Computational Anatomy

Lddmm

Riemannian geometry

Multiscale

Gyrification

Spatiotemporal atlas

Regression

Résumé

L'analyse quantitative des images du cerveau foetal est une question difficile liée à des problématiques de manque de données, qualité d'image hétérogène et variabilité inter-sujets élevée. L'Anatomie Computationelle offre des méthodes non-supervisées pour caractériser des structures anatomiques normales ou pathologiques en calculant la transformation qui déforme un objet de référence en un autre objet. Le but de cette thèse est d'adapter des outils géométriques pour l'analyse de la croissance du cerveau foetal dans le cadre du Large Diffeomorphic Deformation Metric Mapping. Tout d'abord, nous présentons des contributions méthodologiques pour corriger le problème des minima locaux irréalistes qui se pose quand on déforme des objets complexes en grande dimension. Pour cela, nous introduisons une stratégie d'optimisation ''coarse-to-fine'' qui décompose les champs de déformation dans une base d'ondelettes de Haar et filtre les objets à déformer. Cette stratégie multiéchelle est appliquée à des modèles de recalage et d'estimation d'atlas cross-sectionnel ainsi qu'à l'estimation de trajectoires temporelles. Grâce à des images de cerveau foetal, nous démontrons que cette stratégie multiéchelle produit des images de référence et des déformatins plus naturelles. Ensuite, nous construisons une pipeline pour caractériser à une échelle globale la variabilité anatomique des cerveaux foetaux avec une agénésie du corps calleux. Les déviations par rapport au développement normal sont quantifiées en recalant chaque sujet à un cerveau de référence. Les différences anatomiques liées à l'âge sont corrigées en transportant ces déformations dans un espace commun, ce qui permet d'identifier des modes de déformation caractéristiques des cerveaux anormaux. Finalement, nous proposons de construire un atlas du développement cortical sain au cours de la grossesse. La croissance moyenne du cortex est modélisée par une trajectoire géodésique par morceaux, et la variabilité anatomique autour de cette moyenne est estimée grâce à des outils de recalage et de transports parallèle. Cette méthode de construction d'atlas est comparée à la méthode classique, dite ''kernel regression'', en évaluant le degré de réalisme du processus de gyrification modélisé. Les outils développés peuvent être généralisés à différents types de données, structures anatomiques et questions de recherche. Ils ont la capacité de modéliser des changements anatomiques complexes et d'identifier des sujets déviant fortement de la normalité.

The quantitative analysis of fetal brain images is a challenging task due to data scarcity, image quality issues and high intersubject variability. Computational Anatomy provides convenient and unsupervised methods to characterize normal and pathological anatomical structures by computing the deformation that warps a reference object onto another. The goal of this thesis is to adapt geometric tools to the analysis of fetal brain growth within the framework of the Large Diffeomorphic Deformation Metric Mapping. First, we present methodological contributions to address the unrealistic local minima issue that arises when warping high-dimensional or complex objects. We introduce a coarse-to-fine optimization strategy whereby the deformation fields are decomposed into a Haar-like wavelet basis and the objects are filtered. This multiscale strategy is applied to registration and cross-sectional atlas estimation models as well as to temporal atlas estimation. Using fetal brain images, we demonstrate that our multiscale strategy produces more natural template images and deformations. Then, we design a pipeline to characterize the anatomical variability of fetal brains with agenesis of the corpus callosum at a global scale. Deviations from normal development are quantified by registering each subject to an age-matched healthy template brain and age-related anatomical differences are smoothed out by transporting the deformations to a common space, allowing the identification of deformation modes characterizing abnormal brains. Finally, we propose to build an atlas of cortical surface development during pregnancy. The average cortical growth is modelled by a piecewise geodesic trajectory and the anatomical variability around the mean is estimated using registration and parallel transport. This atlas construction method is compared to the state-of-the-art method, i.e. kernel regression, by assessing the accuracy of the modelled gyrification process. The developed tools are generalizable to different data types and anatomical structures and have the ability to model complex time-dependent anatomical changes and to identify subjects with high deviation from normality.