Construction et comparaison de parcellisations structurelles cérébrale par imagerie de diffusion

Inferring and comparing structural parcellations of the human brain using diffusion MRI

• Auteur / Autrice : Guillermo Alejandro Gallardo Diez
• Direction : Rachid Deriche, Demian Wassermann
• Type : Thèse de doctorat
• Discipline(s) : Automatique et traitement du signal et des images
• Date : Soutenance le 21/12/2018
• Etablissement(s) : Université Côte d'Azur (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : établissement de préparation : Université de Nice (1965-2019)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - Computational Imaging of the Central Nervous System
• Jury : Président / Présidente : Bertrand Thirion
• Jury : Examinateurs / Examinatrices : Bertrand Thirion, Olivier Coulon, Michel Thiebaut de Schotten, Alfred Anwander, Ragini Verma
• Jury : Rapporteurs / Rapporteuses : Olivier Coulon, Michel Thiebaut de Schotten
• DOI : 10.70675/f1f487a9zd310z4e2dzb380zda8929d7f665

Mots clés

Mots clés contrôlés

Imagerie du tenseur de diffusion

Mots clés libres

Parcellisations structurelles

Imagerie de diffusion

Structural parcellations

Diffusion MRI

Résumé

Comprendre l'organisation de la connectivité structurelle du cerveau ainsi que comment celle-ci contraint sa fonctionnalité est une question fondamentale en neuroscience. L'avènement de l'Imagerie par Résonance Magnétique de diffusion (IRMd) a permis l'estimation de la connectivité des neurones in vivo. Dans cette thèse, nous profitons de ces avancées pour : étudier l'organisation structurelle du cerveau ; étudier la relation entre la connectivité, l'anatomie et la fonction cérébrale ; identifier les régions corticales correspondantes d'un sujet à un autre ; et inférer la connectivité en présence de pathologie. Cette thèse contient trois contributions majeures. La première est un modèle pour la connectivité axonale et une technique efficace pour diviser le cerveau en régions de connectivité homogène. Cette technique de parcellisation permet de diviser le cerveau tant pour un seul sujet que pour une population. Les parcelles résultantes sont en accord avec les parcellations anatomiques, structurelles et fonctionnelles existant dans la littérature. La seconde contribution de cette thèse est une technique qui permet d'identifier les régions correspondantes d'un sujet à un autre. Cette technique, basée sur le transport optimal, offre une meilleure performance que les techniques courantes. La troisième contribution est une technique de segmentation, dite multi-atlas, pour identifier les faisceaux d'axones de la matière blanche de patients atteints d'une pathologie cérébrale. Comme les techniques existantes, notre approche utilise l'information spatiale provenant d'atlas de sujets sains, mais pondère celle-ci avec l'information d'IRMd du patient. Nous montrons que notre technique obtient de meilleurs résultats que les méthodes non pondérées.

Understanding how brain connectivity is organized, and how this constrains brain functionality is a key question of neuroscience. The advent of Diffusion Magnetic Resonance Imaging (dMRI) permitted the in vivo estimation of brain axonal connectivity. In this thesis, we leverage these advances in order to: study how the brain connectivity is organized; study the relationship between brain connectivity, anatomy, and function; find correspondences between structurally-defined regions of different subjects, and infer connectivity in the presence of a brain’s pathology. We present three major contributions. Our first contribution is a model for the long-range axonal connectivity, and an efficient technique to divide the brain in regions with homogeneous connectivity. Our parceling technique can create both single-subject and groupwise structural parcellations of the brain. The resulting parcels are in agreement with anatomical, structural and functional parcellations extant in the literature. Our second contribution is a method to find correspondence between structural parcellations of different subjects. Based on Optimal Transport, it performs significantly better than the state-of-the-art ones. Our third contribution is a multi-atlas technique to infer the location of white-matter bundles in patients with a brain pathology. As existent techniques, our approach aggregates spatial information from healthy subjects, our novelty is to weight such information with the diffusion image of the patient. We show that our technique achieves better results than the non-weighted methods.