Développement de méthodes d'IA pour l'apprentissage profond de la signature en IRM de diffusion de la cytoarchitecture du cortex cérébral

Development of AI methods for deep learning of the MRI signature of the cortex cytoarchitecture with diffusion MRI

• Auteur / Autrice : Anas Bachiri
• Direction : Cyril Poupon, Ivy Uszynski
• Type : Thèse de doctorat
• Discipline(s) : Physique et imagerie médicale
• Date : Soutenance le 20/09/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Building large instruments for neuroimaging: from population imaging to ultra-high magnetic fields (Gif-sur-Yvette, Essonne ; 2020-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Examinateurs / Examinatrices : Christophe Destrieux, Tim Dyrby, Frédéric Andersson, Carole Frindel
• Jury : Rapporteur / Rapporteuse : Christophe Destrieux, Tim Dyrby

Mots clés

Mots clés contrôlés

Calcul intensif (informatique)

Cortex cérébral

Jumeaux numériques

Imagerie par résonance magnétique de diffusion

Monte-Carlo, Méthode de

Mots clés libres

IRM de diffusion

Simulations de Monte Carlo

Fantômes numériques

Microstructure de la matière grise

Calcul de haute performance

Diffusion MRI

Monte Carlo Simulations

Numerical phantoms

The gray matter microstructure

High-performance computing

Résumé

L'IRM de diffusion est un outil précieux pour étudier la microstructure du cerveau de manière non invasive. Comme l'IRM de diffusion est sensible au processus de diffusion, il permet d'obtenir indirectement des informations sur le milieu de diffusion, offrant ainsi une approche intéressante pour caractériser les tissus cérébraux. Au cours des deux dernières décennies, un important corpus de recherche au sein de la communauté de l'IRM de diffusion a visé à décoder la microstructure : estimer les caractéristiques liées aux cellules, telles que le diamètre moyen et la densité des cellules, à partir des signaux de l'IRM de diffusion. Les méthodes scientifiques proposées peuvent être classées en deux catégories : les modèles analytiques et les modèles computationnels. La première approche repose sur des modèles analytiques de diffusion restreinte dans des géométries simples pour estimer les paramètres de la microstructure. Malgré leur simplicité, les modèles analytiques reposent sur des hypothèses trop simplistes concernant la microstructure du cerveau, comme la modélisation des axones en tant que cylindres parfaits ou la forme du soma en tant que sphères. En revanche, l'approche computationnelle offre une alternative plus flexible qui permet de modéliser des microstructures complexes au-delà des simples cylindres et sphères. Toutefois, cette flexibilité s'accompagne d'un coût de calcul élevé. Ce travail s'inscrit dans l'approche computationnelle et vise à améliorer les méthodes de génération de microstructures synthétiques de matière grise et à aborder la question de l'extensibilité de l'approche informatique. Ce travail s'appuie sur des neurones réalistes reconstruits par microscopie électronique et sur de nouvelles représentations géométriques pour générer des échantillons de microstructures virtuelles de matière grise réalistes. Un nouveau schéma de simulation du processus d'IRM de diffusion est présenté, suivi d'une étude se basant sur la réalisation d'une campagne de simulations à grande échelle.

Diffusion MRI provides an invaluable tool to study the brain's microstructure non-invasively. Since diffusion MRI is sensitized to the diffusion process, it allows to indirectly gain information about the diffusion medium, therefore offering an interesting approach to characterizing brain tissues. In the last two decades, an important body of research within the diffusion MRI community aimed at decoding microstructure: estimating cell-related features such as average cell diameters and density from diffusion MRI signals. The proposed scientific methods can be broadly separated into two classes: analytical and computational models. The first class of methods relies on analytical models of restricted diffusion in simple geometries to estimate microstructural parameters. Despite their simplicity, analytical models rely on oversimplistic hypotheses about brain microstructure, such modeling axons as perfect cylinders, or soma shape as spheres. In contrast, the computational approach offers a more flexible alternative that allows to model complex microstructures beyond simple cylinders and spheres. However, this flexibility comes at an expensive computational cost. This work fall within the computational approach and aims at improving on gray matter synthetic microstructure generation methods and addressing the scalability of the computational approach. This work leverages realistic neurons reconstructed with electron microscopy and novel geometric representations to generate realistic gray matter virtual microstructure substrates. It proposes a new scheme to efficiently simulate the dMRI process and perform large-scale simulations.