Les contributions des réseaux neuronaux et des graphes pour un meilleur diagnostic des troubles cérébraux en utilisant des images TEP au 18F-FDG: Un pas vers un diagnostic personnalisé.

The Contributions of Neural Networks and Graphs for Improved Diagnosis of Brain Disorders using FDG-PET Images: A Step towards Personalized Diagnosis.

• Auteur / Autrice : Minh Tuan Pham
• Direction : Eric Guedj, Mouloud Adel
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Neurosciences
• Date : Soutenance en 2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Sciences de la Vie et de la Santé
• Partenaire(s) de recherche : Laboratoire : Institut FRESNEL - Sciences et Technologies de l'Optique, l'Electromagnétisme, et l'Image
• Jury : Président / Présidente : Régine LE BOUQUIN JEANNèS
• Jury : Examinateurs / Examinatrices : Eric Guedj, Olivier Humbert, Valérie Louis-dorr, Mouloud Adel, Linh Trung Nguyen
• Jury : Rapporteur / Rapporteuse : Olivier Humbert, Valérie Louis-dorr

Mots clés

Mots clés libres

Tep

Maladie d'Alzheimer

Troubles psychiatriques

Autoencodeur

Réseaux individuels

Réseaux neuronaux graphiques

Pet

Alzheimer's disease

Psychiatric disorders

Autoencoder

Individual networks

Graph neural networks

Résumé

Le cerveau, partie du système nerveux, contrôle nos pensées et activités corporelles via 86 milliards de neurones et 150 billions de synapses, formant l'un des réseaux les plus complexes. Les perturbations dans ces réseaux sont liées à divers troubles neurologiques et psychiatriques, tels que la dépression, la maladie de Parkinson et Alzheimer, rendant difficile leur distinction. Comprendre ces différences est crucial pour un diagnostic précis. Les biomarqueurs d'imagerie par tomographie par émission de positons (TEP) offrent un potentiel diagnostic et pronostique. Cette thèse explore des approches innovantes, en particulier pour la maladie d'Alzheimer, en utilisant l'apprentissage automatique sur des images FDG-PET. Elle aborde les défis du diagnostic, la sélection des caractéristiques et l'analyse à plusieurs échelles. Elle examine également la construction de réseaux cérébraux individuels métaboliques et étend son application aux troubles psychiatriques, tels que la dépression, en mettant l'accent sur les réseaux neuronaux graphiques et les hypergraphes. Plus précisément, quatre travaux indépendants ont été menés. Le premier travail exploite l'Autoencodeur (AE), un type spécifique de réseau neuronal, pour classer et sélectionner les régions cérébrales les plus importantes lors de la cartographie de l'évolution de la MA. Au lieu de se concentrer sur des architectures AE complexes pour la sélection des caractéristiques, nous proposons le concept de ''AE unique mais multiple'' pour les caractéristiques de sélection, et montrons son efficacité dans le classement des régions cérébrales affectées par la MA ainsi que dans l'amélioration des performances globales de diagnostic. Le deuxième travail examine l'efficacité de la cartographie cérébrale adaptée et de la cartographie cérébrale à plusieurs échelles pour le diagnostic de la MA. Nous proposons une méthode de construction de la cartographie cérébrale adaptée et à plusieurs échelles appelée C-Atlas pour un meilleur diagnostic de la MA. Le troisième travail propose des méthodes de construction de réseaux cérébraux individuels et de graphiques en tant qu'outils efficaces pour l'analyse des troubles cérébraux. Ces méthodes ont montré leur efficacité dans la capture des changements entre les différentes étapes de la MA, et l'efficacité des graphiques pour modéliser les changements dans la connectivité des troubles cérébraux.

The brain, as part of the nervous system, controls our thoughts and all activities throughout our body. With approximately 86 billion neurons connected through 150 trillion synapses, the human brain is one of the most complex networks. Disruptions in brain networks play an important role in many psychiatric and neurological disorders, such as depression, Parkinson’s disease, and Alzheimer’s disease, to name a few. Different types of brain disorders may have several similarities in terms of clinical symptoms and brain network abnormalities, making it difficult to distinguish between them. Therefore, it is crucially important to better understand and clarify the differences in pathologies between those brain disorders, and better identifying the abonormal groups from the normal control group. Meanwhile, Positron Emission Tomography (PET) imaging biomarkers hold great promise as diagnostic and prognostic markers for brain disorders. For this purpose, this thesis delves into innovative approaches to enhance Alzheimer’s disease (AD) diagnosis using FDG-PET images and Machine Learning, particularly focusing on a region-based methodology, with implications for application in psychiatric disorders as well. It addresses key challenges in AD diagnosis, such as feature selection, brain atlas choices, and the importance of multiple-scale analysis. Additionally, it also explores the method for building metabolic individual brain networks. Emphasizing the significance of graph neural networks and hypergraphs, the research extends its application beyond neurological disorders like AD to encompass psychiatric disorders such as depression. Specifically, four independent works have been conducted. The first work leverages Autoencoder (AE), a specific type of neural network, for ranking and selecting the most important brain regions during the course map of AD. Instead of focusing on complex AE architectures for feature selection, we propose the concept of ''single-but-multiple'' AEs for feature selection features, and show its effectiveness in ranking brain regions affected by AD as well as improving the overall diagnosis performance. The second work investigates the effectiveness of adapted brain mapping and multiple-scale brain mapping for AD diagnosis. We propose a method to build adapted and multiple-scale brain mapping called C-Atlas for better diagnosis of AD. The third work proposes methods for building individual brain networks and graphs as effective tools for analyzing brain disorders. These methods have shown effectiveness in capturing changes between various stages of AD, and the effectiveness of graphs for modeling the changes in connectivity of brain disorders. The last work focuses on graph neural networks and hypergraphs as better tools not only for diagnosing AD but also for psychiatric disorders such as depression. We conducted experiments with different common types of graph neural network such, in order to emphasize the contribution of graph neural networks to better diagnosis. Experiments conducted on both local and public datasets show that our studies not only advance AD diagnosis but also provide insights into the contribution of neural network and graph neural networks toward better diagnosing brain disorders, paving the way for enhanced diagnostic methodologies and improved patient outcomes.