Modélisation et simulation du signal IRM pondéré en diffusion de la substance blanche cérébrale en vue du décodage de sa microstructure et de l'établissement d'un atlas anatomique à hauts champs (3T).

par Kévin Ginsburger

Projet de thèse en Imagerie et physique médicale

Sous la direction de Cyril Poupon.

Thèses en préparation à Paris Saclay , dans le cadre de Electrical,Optical,Bio: PHYSICS_AND_ENGINEERING , en partenariat avec Unité d'imagerie par IRM et de Spectroscopie (laboratoire) , IRM clinique à très haut champ et spectroscopie (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2016 .


  • Résumé

    Le centre NeuroSpin vient de mettre à jour son IRM clinique à 3T pour le doter de bobines de gradients très puissantes capables de délivrer 80mT/m et donc particulièrement adaptées pour l'imagerie de diffusion et en particulier l'étude du connectome humain. L'imagerie par résonance magnétique du processus de diffusion (IRMd) de l'eau dans le cerveau, inventée au milieu des années 80 a connu un succès fulgurant au cours de la décennie passée pour cartographier les connexions cérébrales. C'est toujours aujourd'hui , après 25 années d'existence, la seule technique d'investigation de la connectivité anatomique du cerveau humain in vivo. Mais depuis quelques années, il a été démontré que l'IRMd est également un outil unique de biopsie virtuelle in vivo en permettant de sonder la composition du parenchyme cérébral également in vivo. Toutefois, les modèles développés à l'heure actuelle (AxCaliber, ActiveAx, CHARMED) reposent uniquement sur la modélisation des membranes axonales à l'aide de géométries cylindriques, et restent trop simplistes pour rendre compte précisément de l'ultrastructure de la substance blanche. Dans un premier temps, un modèle analytique plus réaliste de la substance blanche cérébrale tenant compte notamment de la dépendance temporelle du processus de diffusion dans le milieu extra-axonal a été développé. Un outil de décodage complexe permettant de résoudre le problème inverse visant à estimer les divers paramètres de la cytoarchitecture de la substance blanche à partir du signal IRMd a été mis en place en choisissant un schéma d'optimisation robuste pour l'estimation des paramètres. Dans un second temps, une approche “Big Data” a été conduite pour améliorer le décodage de la microstructure cérébrale. Un outil de création de tissus synthétiques réalistes de la matière blanche a été développé, permettant de générer très rapidement un grand nombre de voxels virtuels. Un dictionnaire de voxels virtuels contenant l'ensemble des configurations géométriques rencontrées dans la matière blanche cérébrale a ainsi été construit. Un outil de simulation ultra-rapide du processus de diffusion des particules d'eau dans ces voxels virtuels a ensuite été mis en place, permettant la génération de signaux IRMd synthétiques associés à chaque voxel du dictionnaire. L'ensemble des signaux simulés associés aux configurations géométriques des voxels virtuels dont ils sont issus a ensuite été utilisé comme un jeu de données permettant l'entraînemement d'un algorithme de machine learning pour décoder la microstructure de la matière blanche cérébrale à partir du signal IRMd. Enfin, un atlas probabiliste des paramètres de la cytoarchitecture de la substance blanche pour l'ensemble des faisceaux a été construit, en mettant à profit des techniques de recalage difféomorphe reposant sur le calcul préalable de champs de propagateurs d'ensemble moyen pour chacun des individus à recaler.

  • Titre traduit

    Modelling and simulation of the diffusion MRI signal from human brain white matter to decode its microstructure and produce an anatomic atlas at high fields (3T).


  • Résumé

    The Neurospin research center has a 3T clinical MRI modality to perform diffusion MRI, which enables to study human connectome. Magnetic Resonance Imaging of water in the brain has proven very useful to establish a cartography of brain connections. It is the only in vivo modality to study anatomical connectivity. A few years ago, it has been shown that diffusion MRI is also a unique tool to perform virtual biopsy of cerebral parenchyma. However, current models (AxCaliber, ActiveAx, CHARMED) rely only upon a basic modeling of white matter, with axons represented by simple cylinders. First, a more realistic analytical model of the human brain white matter accounting for the time-dependence of the diffusion process in the extra-axonal space was developed. A decoding tool enabling to solve the inverse problem of estimating the parameters of the white matter cytoarchitecture from the diffusion MRI signal has been designed using a robust optimisation scheme for parameter estimation. Second, a Big Data approach was performed to improve the brain microstructure decoding. A tool creating realistic white matter tissue numerical phantoms was developed, enabling to generate a massive amount of virtual voxels in a computationally efficient way. A dictionary of virtual voxels containing the whole set of geometrical configurations present in the white matter was built. An ultra-fast simulation tool of the water molecules diffusion process in those virtual voxels was designed, enabling to generate synthetic diffusion MRI signal for each dictionary voxel. The set of synthetic signals and associated geometrical configurations of the corresponding voxels was used as a training data set for a machine learning algorithm designed to decode white matter microstructure from the diffusion MRI signal. In a third time, white matter parameters characterizing short and long bundles microstructure (axonal density, mean axonal diameter, glial density, mean glial cells diameter, microvascular density ) were computed and a probabilistic atlas of the white matter cytoarchitecture parameters for all the bundles was built, using mean propagator based diffeomorphic registration for each individual to be registered.