Approches d'apprentissage profond pour l'étude de la connectivité cérébrale chez les sujets sains et les patients avec troubles neurologiques

Deep learning approaches for brain connectivity in healthy subjects and patients with neurological disorders

• Auteur / Autrice : Zaineb Ajra
• Direction : Jacky Montmain, Stéphane Perrey
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : EuroMov Digital Health in Motion

Mots clés

Mots clés libres

Troubles neurologiques

Apprentissage profond

Connectivité cérébrale

Neurological disorders

Deep learning

Brain connectivity

Résumé

Pour les cliniciens, évaluer l'état de conscience de patients dans les suites de lésions cérébrales graves représente un enjeu fondamental pour répondre aux interrogations des familles et adapter les soins. Une étude de 2009 révèle que le diagnostic clinique est erroné dans 40% des cas, certains patients étaient diagnostiqués en état végétatif (EV) alors qu'ils étaient en état de conscience minimale (ECM). L'évaluation précise des troubles de conscience est capitale car elle a des implications pronostique, thérapeutique et éthique. Dans le cadre de cette thèse nous souhaitons développer une approche originale et multidisciplinaire de traitement des signaux neurophysiologiques de l'électro-encéphalographie (EEG) et la spectroscopie proche infrarouge fonctionnelle (SPIRf) pour aider les praticiens dans leur évaluation des états de conscience altérée. Les travaux de recherche envisagés s'articuleront autour du traitement du signal multi-canal, multi-modal, multi-acquisition, multi-échelles spatiale et temporelle en y intégrant des modèles numériques de propagation et de connectivité associés à des approches par apprentissage profond. L'intérêt de ce couplage sera de permettre une identification des paramètres des modèles numériques et des motifs représentatifs des signaux neurophysiologiques.

For clinicians, evaluating disorders of consciousness (DOC) patients following severe brain injuries or conscious quadriplegic patients defined as "Locked in Syndrome" represents a fundamental challenge in responding to requests from patients' families and adapting treatment. The standardized Coma Recovery Scale Revised (CRS-R) assessment protocol consists of differentiating intentional and spontaneous behaviors (Giacino et al., 2004). These patients, suffering from a severe voluntary motor control deficit of the limbs and facial muscles, are often very limited in expressing self-awareness or the perception of their environment. Behavioral assessments are thus susceptible to diagnostic errors. A 2009 clinical study reveals that up to 40% of cases are misdiagnosed (Schnakers et al., 2009). The precise assessment of DOC patients is therefore essential for patients, their relatives and clinicians, with prognostic, therapeutic and ethical implications. In this thesis, we wish to develop an original and multidisciplinary approach to processing neurophysiological EEG and fNIRS signals to help clinicians in their assessment of DOC. The planned research will focus on multi-channel, multi-modal, multi-acquisition, multi-scale spatial and temporal signal processing by integrating digital propagation and connectivity models associated with deep learning approaches. The interest of this coupling is to identify digital model parameters and patterns representative of neurophysiological signals.