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.
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 |
Examinateurs / Examinatrices : Eric Guedj, Olivier Humbert, Valérie Louis-dorr, Mouloud Adel, Linh Trung Nguyen | |
Rapporteur / Rapporteuse : Olivier Humbert, Valérie Louis-dorr |
Mots clés
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.