Recherche Avancée

Thèse en cours

Traitement de signal sur graphe pour l'estimation de biomarqueurs de connectivité cérébrale

FR  |  
EN
Auteur / Autrice : Sébastien Dam
Direction : Pierre Maurel
Type : Projet de thèse
Discipline(s) : Informatique
Date : Inscription en doctorat le 12/10/2022
Etablissement(s) : Université de Rennes (2023-....)
Ecole(s) doctorale(s) : Mathématiques, informatique, signal et électronique et télécommunications.
Partenaire(s) de recherche : Equipe de recherche : Centre de Recherche Inria Rennes – Bretagne Atlantique (CRIRBA)

Résumé

FR

Le cerveau humain est composé d’un réseau complexe formé de dizaine de milliards de neurones, chacun d’entre eux étant relié à 100 000 autres, via les axones qui constituent les faisceaux de fibres de la matière blanche. Au cours de la dernière décennie, certains projets d’imagerie tels que le projet de connectome Human Connectome Project (HCP) ont proposé de cartographier ces connexions cérébrales, connu sous le nom de « connectome », afin d’améliorer notre compréhension de l’organisation fonctionnelle du cerveau. En effet, l’introduction des techniques d’imagerie non invasives, expliquées précédemment, ainsi que la modélisation mathématique à l’aide de la théorie des graphes a récemment joué un rôle important dans l’analyse de réseaux cérébraux complexes et dans la mise en évidence de modifications de la connectivité dans de nombreuses pathologiques. La connectivité cérébrale non dirigée a été classée en deux catégories : (i) la connectivité structurelle estimée par IRMd; où les liens représentent les axones ou la densité des fibres neuronales ou (ii) la connectivité fonctionnelle mesurée par exemple avec l’IRMf où les liens représentent des dépendances statistiques entre les signaux cérébraux de différentes régions, telles que les corrélations, la cohérence ou l’entropie de transfert. Cependant, les méthodes classiques d’estimation de connectivité, comme la corrélation des signaux IRMf ou la densité de fibres à partir de IRMd, ne permettent généralement pas d’identifier de subtiles modifications surtout pour des patients aux stades précoces de leur maladie ou atteints de maladie hétérogènes. Dans ces contextes, une estimation robuste de ces réseaux reste un défi. De plus, à ce jour, la plupart des approches de neuroimagerie ne s’intéresse qu’à une seule modalité. Pour celle qui sont multimodales traitent la plupart du temps chaque modalité séparément. L’intégration de l’activité fonctionnelle et structure cérébrale simultanément pourrait permettre de définir des biomarqueurs plus robustes et plus sensibles aux changements pathophysiologiques, due à la complémentarité des informations des 2 imageries. Durant cette thèse, le premier objectif est de développer une méthode pour analyser conjointement la connectivités fonctionnelle et structurelle afin de tirer parti de la complémentarité des modalités de IRMf et IRMd. Pour cela, une approche émergente du traitement de signal, traitement de signal sur graphe (TSG), prend en compte à la fois de l’aspect multivarié des données IRMf et la structure du cerveau estimée par IRMd. Ce domaine vise à généraliser les techniques classiques de traitement du signal, telles que le filtrage ou la convolution sur des domaines graphiques irréguliers et offrent de nouvelles orientations et des perspectives sans précédent en analysant conjointement l’activité fonctionnelle défini sur le connectome structurel sous-jacent. Récemment, un opérateur TSG de filtrage basé sur l’analyse spectrale sur graphe a été utilisé pour décrire le couplage entre la structure et la fonction. Des etudes ont aussi permis la mise en évidence de biomarqueurs de la maladie d’Alzheimer et de l’anxiété. On propose de développer de nouveaux opérateurs de filtrage sur graphe dans le but de sélectionner des informations sur le couplage structure/fonction, spécifiques à certaines pathologies. Le second objectif sera de développer des méthodes statistique d’apprentissage semi-supervisé sur graphe dans le but d’identifier des biomarqueurs robustes de l’évolution de maladies psychiatriques et neurodégénératives. Les techniques d’apprentissage automatique classique sont très utilisées dans le domaine de la connectivité mais ne prennent pas en compte la structure de graphe. Cependant, les approches de réseaux de neurones convolutionnels spécifique pour les graphes développées très récemment peuvent être utilisé pour combiner les métrique issues du TSG et apprentissage automatique.