Inférence globale de la connectivité structurelle des faisceaux de substance blanche en utilisant des approches d'apprentissage profond et d'a priori microstructurels

Global inference of the structural connectivity of white matter fiber bundles using deep learning approaches and microstructural prior knowledge

• Auteur / Autrice : Alexandros Popov
• Direction : Cyril Poupon
• Type : Thèse de doctorat
• Discipline(s) : Imagerie et physique médicale
• Date : Soutenance le 15/06/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Partenaire(s) de recherche : Laboratoire : Building large instruments for neuroimaging: from population imaging to ultra-high magnetic fields (Gif-sur-Yvette, Essonne ; 2020-....)
• Jury : Président / Présidente : Markus Axer
• Jury : Examinateurs / Examinatrices : Marco Palombo, Laurent Petit, Jessica Dubois, Jean-François Mangin
• Jury : Rapporteurs / Rapporteuses : Marco Palombo, Laurent Petit

Mots clés

Mots clés contrôlés

Tractographie

Connectome

Apprentissage profond

Substance blanche

Imagerie par résonance magnétique

Mots clés libres

IRM de Diffusion

Substance blanche

Apprentissage profond

Diffusion MRI

White matter

Deep Learning

Résumé

La cartographie de la connectivité anatomique du cerveau humain est un défi scientifique majeur. Décrire la trajectoire et les connexions réalisées par les cent milliards de neurones qui composent le cerveau est une tâche titanesque et multi-échelle.Les grands faisceaux ont été décrits par des approches anatomiques classiques dès le 20ème siècle. Ces travaux ont également révélé l'existence de faisceaux plus courts, appelés superficiels, qui définissent la connectivité entre les régions anatomiques voisines. La taille réduite et la forme complexe de ces faisceaux posent un sérieux défi à leur visualisation, si bien que leur description demeure à ce jour débattue.Le premier axe de recherche de cette thèse vise à repousser les limites de l'IRM de diffusion et proposer un nouveau jeu de données ex-vivo du cerveau humain entier, intitulé Chenonceau, dédié à la caractérisation de la connectivité fine du cerveau.Le jeu de données est composé de deux acquisitions anatomiques pondérées en T2 à une résolution de 100 et 150 microns, ainsi que 175 jeux de données d'IRMd à une résolution de 200 microns et une pondération s'élevant jusqu'à 8000 s/mm2. Plus de 4500 heures d'acquisitions, réparties sur deux ans et demie ont été nécessaires pour acquérir ces données.Chenonceau met à profit la puissance de l'IRM pré-clinique Bruker 11.7T, doté à la fois d'un champ magnétique élevé et d'un tunnel de gradients puissants (780mT/m) permettant d'atteindre la résolution mésoscopique et une très forte pondération en diffusion.Pour concilier la taille imposante du cerveau humain avec l'imageur pré-clinique, un nouveau protocole d'acquisition est proposé. Celui-ci repose sur la séparation du cerveau en échantillons de taille réduite, qui sont sont imagés individuellement, puis réassemblés en post-traitement pour reconstituer le volume intégral.L'ensemble de la démarche est présenté, incluant le protocole de coupe et de préservation des pièces anatomiques, le détail des séquences IRM utilisées ainsi que la description du pipeline de traitement des images. Une attention particulière est portée à la définition de l'étape de recalage qui recompose le volume entier à partir des acquisitions individuelles.Les premières inférences de la connectivité anatomique issues de ce nouveau jeu de données sont également présentées. Les techniques de tractographie et de clustering permettent d'extraire non seulement les faisceaux longs de Chenonceau, mais également les faisceaux superficiels.La seconde partie de la thèse a porté sur le développement d'une nouvelle méthode de suivi de fibres, fondée sur l'utilisation d'un modèle de verres de spins.Ce dernier exprime le problème de tractographie sous la forme d'un ensemble de fragments de fibres, appelés spin, distribués dans l'échantillon et dont la position et l'orientation, ainsi que les connexions qu'ils établissent sont associés à une quantité d'énergie. La construction des tracts résulte du déplacement et de la connexion des spins, dans le but d'atteindre le minimum global d'énergie.Cette thèse propose de remplacer la méthode de Metropolis-Hastings utilisée pour l'optimisation par un agent entraîné dans un cadre d'apprentissage par renforcement.Cette nouvelle formulation vise à améliorer le choix des actions, qui ne seraient plus tirées aléatoirement, mais dictées par une stratégie apprise par l'agent, fruit de ses interactions passées avec des environnement semblables.Les capacités d'anticipation et de projection d'un tel agent apparaissent particulièrement adéquates pour proposer la trajectoire la plus pertinente dans des régions ou l'information de diffusion est ambiguë. De même, la possibilité pour l'algorithme d'apprendre au travers d'interactions permet de contourner la difficulté d'établir des ensembles de faisceaux considérées véritables.

Mapping the structural connectivity of the human brain is a major scientific challenge. Describing the trajectory and connections made by the hundred billion neurons that make up the brain is a titanic and multi-scale task.The major fiber bundles have been described by classical anatomical approaches since the 20th century. These studies also revealed the existence of shorter bundles, called superficial bundles, that ensure the connectivity between neighboring anatomical regions. The small size and complex shape of these bundles set a serious challenge to their visualization, so that their description remains under discussion to this day.The first research axis of this thesis aims at pushing the limits of diffusion MRI and proposing a new ex-vivo dataset of the whole human brain, called Chenonceau, dedicated to the characterization of the fine connectivity of the brain.The dataset consists of two T2-weighted anatomical acquisitions at 100 and 150 micron resolution, as well as 175 dMRI datasets at 200 micron resolution with diffusion weighting reaching 8000 s/mm2. More than 4500 hours of acquisition, distributed across two and a half years were necessary to acquire this data.Chenonceau takes advantage of the Bruker 11.7T preclinical MRI system, equipped with both a high magnetic field and a powerful gradient tunnel (780mT/m) allowing to reach the mesoscopic resolution and a very high diffusion weighting.To reconcile the large size of the human brain with the preclinical system, a new acquisition protocol is proposed. It is based on the separation of the brain into smaller samples, which are imaged individually, then reassembled in post-processing to reconstitute the full volume.The whole process is presented, including the protocol for the cutting and the storage of the anatomical samples, the details of the MRI sequences and the description of the image processing pipeline. Special attention is dedicated to the definition of the registration step which recomposes the whole volume from the individual acquisitions.The first inferences of anatomical connectivity from this new dataset are also presented. Tractography associated with clustering techniques allow the extraction of the long and superficial bundles of Chenonceau.The second part of the thesis focused on the development of a new method for fiber tracking, based on the use of the spin glass model.The latter expresses the tractography problem as a set of fiber fragments, called spins, distributed in the sample and whose position and orientation, as well as the connections they establish, are associated with an amount of energy. The construction of the tracts results from the displacement and connection of the spins, with the aim of reaching the global minimum of energy.This thesis proposes to replace the Metropolis-Hastings method used for optimization by an agent trained in a reinforcement learning framework.This new formulation aims at improving the choice of actions, which would no longer be randomly drawn, but dictated by a strategy learned by the agent, fruit of its past interactions with similar environments.The anticipation and projection capacities of such an agent appear particularly adequate to propose the most relevant trajectory in regions where the diffusion information is ambiguous. Moreover, the possibility for the algorithm to learn through interactions allows to circumvent the difficulty of establishing datasets of ground-truth bundles.