Diagnostic par algorithmes d'apprentissage profond de pathologies neuropsychiatriques à partir de données de neuroimagerie

Deep learning algorithms for the diagnosis of neuropsychiatric disorders from neuroimaging data

• Auteur / Autrice : Jacques-yves Campion
• Direction : Thomas Desmidt, Helmet Karim
• Type : Projet de thèse
• Discipline(s) : Sciences de la Vie et de la Santé
• Date : Inscription en doctorat le 02/11/2022
• Etablissement(s) : Tours en cotutelle avec Université de Pittsburgh
• Ecole(s) doctorale(s) : École doctorale Santé, Sciences Biologiques et Chimie du Vivant (Centre-Val de Loire ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie et cerveau (Tours)
• Partenaire(s) de recherche : Equipe de recherche : Equipe 1 - Psychiatrie Neuro-fonctionnelle

Mots clés

Mots clés libres

Neuroimagerie

Psychiatrie

Neurodégénératif

Intelligence artificielle

Traitement de l'image

Neuroimagery

Psychiatry

Neurodegenerative

Artificial intelligence

Image processing

Résumé

Les pathologies psychiatriques et neurodégénératives concernent environ 38% de la population Européenne. Ces pathologies ont pour point commun leur substrat cérébral supposé mais aussi l'importance de la prédiction de l'évolutivité en clinique. Plusieurs études ont permis de montrer l'importance de la neuroimagerie dans la compréhension de ces pathologies et leur usage est grandissant dans le domaine clinique. Cette exploration en neuroimagerie peut se faire de manière anatomie avec la séquence T1 de l'Imagerie par Résonnance Magnétique (IRM), fonctionnelle (IRMf) ou encore métabolique avec la Tomographie par Emission de Positons au 18FluoroDesoxyGlucose (TEP-FDG). Cependant le diagnostic de ces pathologies est complexe et nécessite un faisceau de preuves cliniques faisant appel à l'expérience du clinicien et de l'imageur. En parallèle, les modèles d'apprentissage profond deviennent de plus en plus précis en termes de classification diagnostique et de prédiction de l'évolution clinique à l'échelle de la population. Leur usage en clinique reste, cependant, faible en raison de leur potentielle mauvaise prédiction à l'échelle individuelle, du manque de résilience face à de nouvelles classifications diagnostiques et de leurs classifications restreintes à peu de pathologies simultanément. L'objectif de cette thèse est de développer un algorithme d'apprentissage profond précis, donnant des résultats probabilistes, permettant l'usage de plusieurs modalités (ex. IRM, TEP-FDG) et la prédiction de plusieurs pathologies neuropsychiatriques. Dans cet objectif, nous avons prévu d'utiliser des bases de données internationales de pathologies neurodégénératives et psychiatriques donnant accès à des milliers d'examens tel que la base de donnée ''Alzheimer's Disease Neuroimaging Initiative'' (ADNI) pour la Maladie d'Alzheimer. Pour résoudre la question posée, le travail s'orientera d'abord sur la sélection d'une méthode de préparation des données de neuroimagerie comme l'extraction de la surface corticale puis sur la production d'un algorithme d'apprentissage profond convolutif ou de Graph non supervisé. Enfin deux méthodes pourront être explorés : l'étude de l'espace latent du modèle entrainé pour y faire émerger les classes recherchées ou le transfert des couches de neurones entrainées sur un autre réseau de classification.

Psychiatric and neurodegenerative pathologies concern approximately 38% of the European population. These pathologies have in common their supposed cerebral substrate but also the importance of predicting their clinical evolution. Several studies have shown the importance of neuroimaging in the understanding of these pathologies and their use is growing in the clinical field. This exploration in neuroimaging can be done anatomically with the T1 sequence of Magnetic Resonance Imaging (MRI), functionally (fMRI) or metabolically with 18FluoroDesoxyGlucose Positron Emission Tomography (FDG-PET). However, the diagnosis of these pathologies is complex and requires a range of clinical evidence that calls on the experience of the clinician and the radiologist. In parallel, deep learning models are becoming more and more accurate in terms of diagnostic classification and prediction of clinical evolution at the population level. However, their use in the clinic remains weak due to their potential poor prediction at the individual level, their lack of resilience to new diagnostic classifications and their restricted classifications to few pathologies simultaneously. The objective of this thesis is to develop an accurate deep learning algorithm, giving probabilistic results, allowing the use of several modalities (e.g. MRI, PET-FDG) and the prediction of several neuropsychiatric pathologies. For this purpose, we plan to use international databases of neurodegenerative and psychiatric pathologies giving access to thousands of examinations such as the ''Alzheimer's Disease Neuroimaging Initiative'' (ADNI) database for Alzheimer's disease. To solve the question posed, the work will first focus on the selection of a preprocessing method such as cortical surface extraction and then on the production of a convolutional or graph unsupervised deep learning algorithm. Finally, two methods will be explored: the study of the latent space of the trained model to make the desired classes emerge or the transfer of the trained neural layers to another classification network.