Analyse d'IRM cérébrales de souris par apprentissage profond dans le cadre des études de groupes
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Valentini, Franck
Date de soutenance : 31-03-2025

Directeur(s) de thèse : Noblet, Vincent - Harsan, Laura-Adela

Président : Passat, Nicolas
Rapporteur(s) : Mateus, Diana - Rousseau, François
Membre(s) du jury : Lallement, Alex

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Signal, Image, Robotique, Automatique
Classification : Informatique

Mots-clés libres : Étude préclinique, Morphométrie basée voxel, Apprentissage profond, Segmentation, Recalage
Mots-clés :
  • Imagerie par résonance magnétique
  • Apprentissage profond
Résumé : Cette thèse explore l’utilisation de l’imagerie par résonance magnétique (IRM) associée à l’apprentissage profond pour analyser les structures cérébrales de souris dans un contexte préclinique d’étude de groupes. L’objectif est d’évaluer l’effet de mutations sur le cerveau à travers des cohortes comparées par morphométrie basée voxel (VBM), comprenant recalage, segmentation et analyse statistique. Le résultat est une carte spatiale identifiant les différences volumiques significatives entre groupes au niveau voxel. Les méthodes par apprentissage profond, reconnues comme plus performantes pour l’analyse d’images médicales, n’ont pas encore été adoptées par la communauté. Nous étudions dans cette thèse l’impact de ces méthodes sur l’analyse VBM, et comment les adapter dans notre cadre spécifique. Une contribution majeure est l’introduction d’une approche d’optimisation non supervisée spécifique à l’étude de groupes. Pour se rapprocher des méthodes conventionnelles, nous étudions l’effet de la régularisation induit par le recalage inverse. Nous montrons finalement leur intérêt et leur impact sur l’analyse VBM.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD001
Type de ressource : Thèse