Réseaux de neurones convolutifs adaptés au domaine pour l'analyse des signaux IRMd et M/EEG

Domain specific convolutional neural networks for dMRI and M/EEG signal analysis

• Auteur / Autrice : Sara Sedlar
• Direction : Théodore Papadopoulo
• Type : Thèse de doctorat
• Discipline(s) : Automatique et traitement du signal et des images
• Date : Soutenance le 22/12/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Christian Bénar
• Jury : Examinateurs / Examinatrices : Théodore Papadopoulo, Christian Bénar, Michaël Tangermann, Baba C. Vemuri, Samuel Deslauriers-Gauthier, Rachid Deriche, Guido Gerig
• Jury : Rapporteurs / Rapporteuses : Michaël Tangermann, Baba C. Vemuri

Mots clés

Mots clés contrôlés

Électroencéphalographie

Magnétoencéphalographie

Réseaux neuronaux (informatique)

Modèles mathématiques

Imagerie par résonance magnétique

Mots clés libres

Modélisation locale d'IRMd

CNN équivariant par rotation

Classifieur rang-1 CNN

Apprentissage spatio-temporel M/EEG

DMRI local modeling

Rotation equivariant CNNs

Rank-1 CNN classifier

M/EEG spatio-temporal pattern learning

Résumé

L'analyse des données de neuroimagerie est essentielle pour l'interprétation des caractéristiques fonctionnelles ou structurelles du cerveau humain. Les algorithmes d'apprentissage automatique récents requièrent généralement une grande quantité de données souvent impossibles à acquérir dans des conditions cliniques et pratiques. Une telle exigence est une conséquence de la variabilité importante des données résultant de nombreux facteurs (différentes procédures d'enregistrement, sujets et sessions, présence de niveaux élevés de bruit). Pour résoudre ce problème, dans cette thèse, nous avons étudié et proposé des modèles convolutifs d'apprentissage automatique adaptés aux propriétés et aux hypothèses bien fondées sur les données acquises. Par conséquent, les modèles sont dotés de connaissances précieuses et apprennent plus efficacement à effectuer certaines inférences. En particulier, nous avons étudié des modèles d'analyse des données de neuroimagerie structurelle et fonctionnelle non-invasives et in-vivo pour de l'imagerie par résonance magnétique de diffusion (IRMd) et des signaux de magnéto et d'électro-encéphalographie (M/EEG).L'IRM de diffusion est une modalité d'imagerie nucléaire qui capture les propriétés microstructurales des tissus examinés. Comme l'échantillonnage de q-space est le protocole d'imagerie de diffusion à haute résolution angulaire (HARDI) le plus largement utilisé au cours de la dernière décennie, nous avons étudié les réseaux de neurones convolutionnels (CNNs) sphériques équivariants par rotation pour la modélisation locale de l'IRMd. Comme première contribution, nous avons proposé un U-net sphérique pour l'estimation des fonctions de distribution d'orientation des fibres (fODFs) avec des convolutions et des non-linéarités réalisées respectivement dans les domaines spectral et signal. Pour éviter l'aliasing, la deuxième contribution propose un CNN travaillant entièrement dans le domain spectral -- y compris pour les non-linéarités -- pour l'estimation des paramètres de microstructure.La M/EEG est une technique d'imagerie fonctionnelle qui mesure l'intensité du champ magnétique et le potentiel du champ électrique provoqués par les activités électriques neurales dans le cortex cérébral. Les signaux mesurés peuvent être expliqués par les équations de Maxwell avec des approximations quasi-statiques. Par conséquent, nous pouvons supposer que les activités cérébrales corticales se propagent instantanément et linéairement sur les capteurs de mesure, ainsi un signal M/EEG multivarié peut être représenté comme une somme de signaux multivariés de rang 1 correspondant à des sources individuelles dans le cortex et le bruit. Partant de cette hypothèse, la deuxième partie de la thèse étudie une approche d'apprentissage de dictionnaire spatio-temporel M/EEG sous contrainte L0. Une deuxième contribution dans cette partie est un classificateur CNN à noyaux spatio-temporels de rang 1 régularisés dans le domaine spectral, où les composantes spatiales et temporelles des noyaux sont représenteés respectivement en termes d'éléments de base d'harmoniques sphériques et de base de cosinus discrets.

The analysis of neuroimaging data is essential for the interpretation of the functional or structural characteristics of the human brain. New machine learning algorithms usually require a high amount of data often infeasible to acquire in clinical and practical conditions. This requirement is a consequence of significant data variability arising from numerous factors (various recording procedures, subjects and sessions, presence of high levels of noise). To address this problem, in this thesis, we have investigated and proposed convolutional machine learning models adapted to the properties and well grounded assumptions about the acquired data. Therefore, the models are endowed with valuable knowledge and consequently more efficiently learn to perform certain inferences. In particular, we have studied models for the analysis of non-invasive and in-vivo structural and functional neuroimaging data, namely diffusion Magnetic Resonance Imaging (dMRI) and magneto- and electro-encephalography (M/EEG) signals.Diffusion MRI is a nuclear imaging modality which captures micro-structural properties of the examined tissue. As q-space sampling has been the most widely used high angular resolution diffusion imaging protocol (HARDI) over the last decade, we have studied spherical rotation equivariant convolutional neural networks (CNNs) for dMRI local modeling. As a first contribution, we have proposed a spherical U-net for the estimation of fiber orientation distribution functions (fODFs) with convolutions and non-linearities realized in the spectral and signal domains, respectively. To avoid aliasing, our second contribution proposes a Fourier domain CNN for micro-structure parameter estimation, where non-linearities are defined in the spectral domain.M/EEG are functional imaging techniques which measure magnetic field strength and electric field potential caused by neural electric activities in the cerebral cortex. Measured signals can be explained by Maxwell's equations with quasi-static approximations. Consequently, we can assume that cortical brain activities spread instantaneously and linearly over the measuring sensors, thus a multivariate M/EEG signal can be represented as a sum of rank-1 multivariate signals corresponding to individual sources in the cortex and noise. Considering this assumption, the second part of the thesis firstly investigates an M/EEG spatial and temporal dictionary learning approach with an L0 constraint. A second contribution is a CNN classifier with rank-1 spatio-temporal kernels regularized in the spectral domain, where the spatial components of the kernels are represented in terms of spherical harmonics basis, while the temporal components are represented in terms of discrete cosine basis.