Thèse : Analyse d’IRM cérébrales de souris par apprentissage profond dans le cadre des études de groupes

Soutenance de thèse : Franck VALENTINI

Équipe : IMAGeS

Date & heure : 31 mars 2025 à partir de 10h. La présentation aura lieu en salle C218, au pôle API d'Illkirch, 300 Bd Sébastien Brant, 67400 Illkirch.

Titre : Analyse d’IRM cérébrales de souris par apprentissage profond dans le cadre des études de groupes

Jury :

• M. Vincent Noblet, Ingénieur recherche, CNRS, ICube (directeur de thèse)
• Mme Laura Harsan, MCU-PH, ICube, Université de Strasbourg, (co-directrice de thèse)
• M. Alex Lallement, Maître de conférences, Université de Strasbourg (encadrant)
• Mme Diana Mateus, Professeure des universités, LS2N, Ecole Centrale de Nantes (rapporteur)
• M. François Rousseau, Professeur, LATIM, IMT Atlantique (rapporteur)
• M. Nicolas Passat, Professeur, CRESTIC, Université de Reims Champagne-Ardenne (examinateur)

Résumé :

Cette thèse explore l'utilisation de l'imagerie par résonance magnétique (IRM) associée à des techniques d'apprentissage profond pour analyser les structures cérébrales de souris dans un cadre d'étude de groupes préclinique. Dans ces études de groupes, l'analyse porte sur deux ou plusieurs cohortes afin d'évaluer l'impact d'une molécule, d'une mutation génétique, d'un traitement, etc. Cette étude est effectuée grâce à une analyse de morphométrie basée voxel (Voxel-Based Morphometry, VBM). Elle est constituée de plusieurs étapes : le recalage des images, la segmentation des tissus cérébraux facultative puis une analyse statistique. En sortie, l'analyse offre une carte spatiale où les différences entre groupes sont localisées au voxel près, permettant d'identifier quelles structures du cerveau sont modifiées. Les méthodes par apprentissage profond se sont récemment imposées comme les méthodes les plus performantes pour l'analyse d'images médicales, notamment en neuro-imagerie, pour les tâches de recalage et de segmentation. Cependant, ces méthodes n'ont pas encore été adoptées par la communauté. Nous étudions dans cette thèse l'impact que peut avoir l'adoption de ces méthodes sur le pipeline VBM, et comment les adapter dans notre cadre spécifique de l'étude de groupes pour les modèles murins. Une contribution majeure est l'introduction d'une approche d'optimisation non supervisée, spécifique à l'étude de groupes, ne nécessitant pas de grands volumes de données annotées. Dans un second temps, pour se rapprocher au mieux des méthodes conventionnelles, nous étudions l’effet de la régularisation induit par le recalage inverse. En appliquant ces innovations à toutes les étapes du pipeline VBM, nous montrons leur intérêt et leur impact sur l'analyse VBM en sortie.