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
• Type : Projet de thèse
• Discipline(s) : Physique et imagerie médicale
• Date : Inscription en doctorat le 04/01/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Construction de grands instruments pour la neuroimagerie : de l'imagerie en population aux champs magnétiques ultra-hauts
• 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-....)

Mots clés

Mots clés libres

Apprentissage profond

IRM de diffusion

Cytoarchitecture du cortex cérébral

Calcul de haute performance

Deep learning

Diffusion MRI

Cortex cytoarchitecture

High-performance computing

Résumé

Comprendre le lien ténu entre le fonctionnement du cerveau humain et sa structure à l'échelle cellulaire fait partie des grands défis des neurosciences actuellement. Il n'existe pas aujourd'hui de méthode d'imagerie in vivo qui permette à la fois de cartographier les principales fonctions cérébrales et de cartographier l'organisation des populations de cellules qui réalisent le substrat anatomique de ces fonctions cérébrales. Alors que l'IRM fonctionnelle permet de sonder l'activité cérébrale in vivo, l'imagerie du tissu cérébral à l'échelle cellulaire reste cantonnée à l'utilisation de méthodes ex vivo. Accéder à l'organisation cellulaire du tissu cérébral in vivo reste encore hors d'atteinte en IRM, y compris en utilisant un IRM à très haut champ car la résolution envisageable in vivo à 7T voire 11.7T restera un à deux ordres de grandeur supérieur à la taille des cellules peuplant le tissu cérébral. L'apport majeur des techniques d'intelligence artificielle notamment pour l'apprentissage supervisé des grands jeux de données (ou Big Data) ouvre de nouvelles perspectives quant au développement de méthodes d'imagerie in vivo de la cytoarchitecture du cortex puisqu'il devient envisageable d'exploiter l'information microscopique embarquée dans le mouvement brownien des molécules d'eau (appelé aussi processus de diffusion de l'eau) présentes dans le cerveau, et dont les trajectoires embarquent une empreinte de la cytoarchitecture locale du tissu qu'il devient alors possible de décoder à l'aide de méthodes d'apprentissage profond.

Understanding the tenuous link between the functioning of the human brain and its structure at the cellular level is one of the major challenges in neuroscience today. Today, there is no in vivo imaging method that can both map key brain functions and map the organization of the populations of cells that make up the anatomical substrate of these brain functions. While functional MRI can probe brain activity in vivo, imaging of brain tissue at the cellular level is limited to ex vivo methods. Accessing the cellular organization of brain tissue in vivo is still beyond the reach of MRI, including very high field MRI, because the resolution achievable in vivo at 7T or even 11.7T will remain one to two orders of magnitude higher than the size of the cells populating the brain tissue. The major contribution of artificial intelligence techniques, particularly for the supervised learning of very large data sets (or Big Data), opens new perspectives for the development of in vivo imaging methods of the cytoarchitecture of the cortex since it becomes possible to exploit the microscopic information embedded in the Brownian movement of water molecules (also called the water diffusion process) present in the brain, and whose trajectories embody an imprint of the local cytoarchitecture of the tissue which can then be decoded using deep learning methods.