Apprentissage automatique avec parcimonie structurée: Application au phénotypage basé sur la neuroimagerie pour la schizophrénie

par Amicie De pierrefeu

Thèse de doctorat en Imagerie et physique médicale

Sous la direction de Philippe Ciuciu.

Thèses en préparation à Paris Saclay , dans le cadre de Electrical,Optical,Bio: PHYSICS_AND_ENGINEERING , en partenariat avec Unité d'analyse et de traitement de l'information (laboratoire) et de Université Paris-Sud (établissement opérateur d'inscription) .


  • Résumé

    La schizophrénie est un trouble mental, chronique et invalidant caracterisé par divers symptômes tels que des hallucinations, des ́episodes délirant ainsi que des déficiences dans les fonctions cognitives. Au fil des ans, l'Imagerie par Resonance Magnétique (IRM) a ́eté de plus en plus utilisée pour mieux comprendre les anomalies structurelles et fonctionnelles inhérentes à ce trouble. Les progrès récents en apprentissage automatique et l'apparition de large base de données ouvrent maintenant la voie vers la capture de relations complexes pour faire des inférences au niveau individuel dans la perspective du diagnostic / pronostic assisté par ordinateur ou de la découverte de biomarqueurs. Compte tenu des limitations des algorithmes parsimonieux pour produire des signatures prédictives stables et interprétables, nous avons poussé les approches de régularisation prolongeant les algorithmes classiques avec des contraintes structurelles issues de la structure biologique connue (structure spatiale du cerveau) afin de forcer la solution à adhérer aux priors biologiques, produisant des solutions interprétables plus plausibles. De telles contraintes structurelles ont ́eté ́utilisées pour d'abord identifier une signature neuroanatomique de la schizophrénie et ensuite une signature fonctionnelle des hallucinations chez les patients atteints de schizophrénie. De plus, nous avons ́egalement ́etendu la populaire analyse ACP (Analyse par Composante Principale) avec des regularisations spatiale pour identifier les modèles interpr ́etables dela variabilité en neuro-imagerie.

  • Titre traduit

    Machine Learning with Structured Sparsity: Application to Neuroimaging-based Phenotyping in Autism Spectrum Disorder and Schizophrenia


  • Résumé

    Schizophrenia is a disabling chronic mental disorder characterized by various symptoms such as hallucinations, delusions as well as impairments in high-order cognitive functions. Over the years, Magnetic Resonance Imaging (MRI) has been increasingly used to gain insights on the structural and functional abnormalities inherent to the disorder. Recent progress in machine learning together with the availability of large datasets now pave the way to capture complex relationships to make inferences at an individual level in the perspective of computer-aided diagnosis/prognosis or biomarkers discovery. Given the limitations of state-of-the-art sparse algorithms to produce stable and interpretable predictive signatures, we have pushed forward the regularization approaches extending classical algorithms with structural constraints issued from the known biological structure (spatial structure of the brain) in order to force the solution to adhere to biological priors, producing more plausible interpretable solutions. Such structured sparsity constraints have been leveraged to identify first, a neuroanatomical signature of schizophrenia and second a neuroimaging functional signature of hallucinations in patients with schizophrenia. Additionally, we also extended the popular PCA (Principal Component Analysis) with spatial regularization to identify interpretable patterns of the neuroimaging variability in either functional or anatomical meshes of the cortical surface.