English
Accueil > L'Institut > Actualités > Actus Equipe Barbier
Accéder au plan complet du siteMéthodes statistiques pour l'imagerie vasculaire par résonance magnétique : application au cerveau épileptique
le 11 décembre 2020
14h00 en visio-conférence et en anglais
14h00 en visio-conférence et en anglais
Soutenance de thèse de Fabien Boux
Le vendredi 11 décembre 2020, Fabien Boux soutiendra sa thèse intitulée "Méthodes statistiques pour l'imagerie vasculaire par résonance magnétique : application au cerveau épileptique".
Cette thèse a été préparée au GIN dans l'Equipe de Emmanuel BARBIER.
Elle a été codirigée par Emmanuel Barbier et Florence Forbes, et coencadrée par Julyan Arbel.
Membres du jury :
- Rapporteurs: Ludovic De Rochefort et Simon Warfield.
- Examinateurs: Olivier François, Benoit Martin et Benjamin Marty.
- Invités: Julyan Arbel et Lorella Minotti.
Résumé:
L'objectif de ce travail de thèse est l'exploration de l'imagerie par résonance magnétique (IRM) pour l'identification et la localisation des régions du cerveau impliquées dans l'épilepsie mésio-temporale. Précisément, les travaux visent 1) à optimiser un protocole d'IRM vasculaire sur un modèle animal d'épilepsie et 2) à concevoir une méthode de quantification de cartes IRM vasculaires basée sur la modélisation de la relation entre signaux IRM et paramètres biophysiques.
Les acquisitions IRM sur un modèle expérimental murin d'épilepsie mésio-temporale avec sclérose de l'hippocampe ont été effectuées sur un scanner 9.4 T. Les données collectées ont permis de quantifier sept cartes IRM cellulaires et vasculaires quelques jours après l'état de mal épileptique puis plus tard, lorsque les crises spontanées sont apparues. Ces paramètres ont été employés pour l'identification automatique des régions épileptogènes et des régions de propagation des crises. Afin d'augmenter la détection de petites variations des paramètres IRM chez les individus épileptiques, une méthode de quantification basée sur la résonance magnétique fingerprinting est développée. Cette méthode consiste à identifier, parmi un ensemble de signaux simulés, le plus proche du signal IRM acquis et peut être vue comme un problème inverse qui présente les difficultés suivantes : le modèle direct est non-linéaire et provient d'une série d'équations sans expression analytique simple; les signaux en entrée sont de grandes dimensions; les vecteurs des paramètres en sortie sont multidimensionnels. Pour ces raisons, nous avons utilisé une méthode de régression inverse afin d'apprendre à partir de simulation la relation entre l'espace des paramètres et celui des signaux. Dans un domaine largement dominé par les approches d'apprentissage profond, la méthode proposée se révèle très compétitive fournissant des résultats plus précis. De plus, la méthode permet pour la première fois de produire un indice de confiance associé à chacune des estimations. En particulier, cet indice permet de réduire l'erreur de quantification en rejetant les estimations associées à une faible confiance.
Actuellement, aucun protocole clinique permettant de localiser avec précision le foyer épileptique ne fait consensus. La possibilité d'une identification non-invasive de ces régions est donc un premier pas vers un potentiel transfert clinique.
Les acquisitions IRM sur un modèle expérimental murin d'épilepsie mésio-temporale avec sclérose de l'hippocampe ont été effectuées sur un scanner 9.4 T. Les données collectées ont permis de quantifier sept cartes IRM cellulaires et vasculaires quelques jours après l'état de mal épileptique puis plus tard, lorsque les crises spontanées sont apparues. Ces paramètres ont été employés pour l'identification automatique des régions épileptogènes et des régions de propagation des crises. Afin d'augmenter la détection de petites variations des paramètres IRM chez les individus épileptiques, une méthode de quantification basée sur la résonance magnétique fingerprinting est développée. Cette méthode consiste à identifier, parmi un ensemble de signaux simulés, le plus proche du signal IRM acquis et peut être vue comme un problème inverse qui présente les difficultés suivantes : le modèle direct est non-linéaire et provient d'une série d'équations sans expression analytique simple; les signaux en entrée sont de grandes dimensions; les vecteurs des paramètres en sortie sont multidimensionnels. Pour ces raisons, nous avons utilisé une méthode de régression inverse afin d'apprendre à partir de simulation la relation entre l'espace des paramètres et celui des signaux. Dans un domaine largement dominé par les approches d'apprentissage profond, la méthode proposée se révèle très compétitive fournissant des résultats plus précis. De plus, la méthode permet pour la première fois de produire un indice de confiance associé à chacune des estimations. En particulier, cet indice permet de réduire l'erreur de quantification en rejetant les estimations associées à une faible confiance.
Actuellement, aucun protocole clinique permettant de localiser avec précision le foyer épileptique ne fait consensus. La possibilité d'une identification non-invasive de ces régions est donc un premier pas vers un potentiel transfert clinique.
