Rare cortical folding patterns detection based on an unsupervised deep learning approach ; Détection de motifs rares de plissement cortical par une approche de deep learning non supervisée
Titel:
Rare cortical folding patterns detection based on an unsupervised deep learning approach ; Détection de motifs rares de plissement cortical par une approche de deep learning non supervisée
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Une des caractéristiques visuelles du cerveau est son aspect plissé. Il est en effet constitué de circonvolutions appelées gyri, qui sont délimitées par des sillons appelés sulci. À l'instar des empreintes digitales, les motifs du plissement cortical, c'est-à-dire l'arrangement, les caractéristiques et la forme des sillons sont propres à chaque individu, même s'ils s'inscrivent dans un schéma général propre à chaque espèce. Certains motifs ont été corrélés à des fonctions cognitives comme le contrôle inhibiteur dans la région cingulaire. De plus, des motifs rares ont été corrélés à des troubles neuro-développementaux comme le « Power Button Sign » qui est associé à un certain type d'épilepsie. Les avancées de l'apprentissage profond et en particulier non supervisé constituent une réelle opportunité pour analyser les motifs du plissement cortical, répondant au défi des grandes bases de données et de la variabilité inter-individuelle. Ce travail de thèse a pour but de développer une méthode permettant d'identifier des motifs rares ou anormaux. À partir d'IRM cérébrales, des squelettes et des cartes de distances correspondant à un moule en négatif du cerveau sont générés. Ils permettent de se concentrer sur la morphologie du plissement. La variabilité inter-individuelle est modélisée par un beta-VAE entraîné uniquement sur des sujets témoins de la cohorte HCP. À partir de cette représentation, des motifs caractéristiques de la population saine peuvent être identifiés. La première étude est faite dans la région cingulaire. Plus spécifiquement un clustering est appliqué sur l'espace latent. Des motifs représentatifs de chacun des clusters sont générés et permettent de caractériser les différents motifs caractéristiques. Des motifs décrits dans la littérature ont été retrouvés ce qui suggère que l'approche est pertinente. Une fois des motifs caractéristiques identifiés, les motifs plus rares peuvent être analysés. Dans ce cas, le réseau est appliqué dans la région du sillon central à des cohortes comportant des sujets ...