Résumé

L’essor de méthodes d’imagerie cérébrale génère une masse considérable de données morphologiques et fonctionnelles. Pour autant, leur exploration puis leur comparaison au cours du temps pour un individu (développement et vieillissement), entre individus (variabilité au sein de l’espèce), et plus encore entre espèces différentes n’ont pu être que partielles. Nous proposons de modéliser ces données sous forme de graphes, puis d’utiliser les approches récentes de l’intelligence artificielle pour mieux les analyser.

Cette démarche a déjà été initiée par un consortium pluridisciplinaire réunissant des chercheurs en neuro-anatomie, en biologie animale et en informatique ainsi que des neurochirurgiens lors des projets Régionaux NeuroGéo et Neuro2Co (LIFAT, INRAE, INSERM). Elle a abouti à la création de SILA3D, une plateforme logicielle, en accès libre permettant la représentation des données anatomo-fonctionnelles sous forme de graphes grâce à une segmentation sémantique interactive des images. Dans ce contexte, la thèse proposée vise à créer de nouveaux algorithmes d’analyses et de comparaisons anatomo-fonctionnelles d’encéphales à l’aide de méthodes classiques (théorie des graphes) mais aussi plus récentes (réseaux de neurones profonds sur graphes (GNN, geometric deep learning ...). 

Les objectifs généraux de cette thèse sont :

1. de spécifier différentes stratégies de modélisation des données sous forme de graphes. Pour cela, des données morphologiques et fonctionnelles issues de différentes modalités d’imagerie, notamment IRM structurelle et tractographie, seront combinées à l’aide de différentes approches à définir. Deux jeux de données d’ores et déjà acquises seront utilisés : IRM in vivo d’agneaux en croissance (PRC et PIXANIM).
2. d’étudier les différences entre individus et au cours du temps (suivi du développement cérébral de l’agneau de la naissance à l’âge adulte). Plusieurs méthodes de comparaison de graphes exploitant les avancées récentes dans le Deep Learning sur Graphes seront proposées (GNN).

Les défis scientifiques associés à ces objectifs sont (1) développer de nouvelles méthodes d’apprentissage profond sur graphes pour la détection et la classification de sous-structures particulières dans un encéphale (classification semi- supervisée de nœuds); (2) de développer de nouvelles méthodes d’apprentissage profonds sur graphes pour la comparaison, la discrimination, et la classification d’encéphales (classification supervisée ou non supervisée de graphes).

Contact

• Antoine Bourlier