Apprentissage profond pour l'analyse de la matière blanche du cerveau humain  
Présenté par Antoine Théberge

Description :

La tractographie demeure, à ce jour, le seul outil permettant de reconstruire in vivo les faisceaux de la matière blanche humaine. En aval, la tractométrie — l’étude des propriétés microstructurelles le long de ces faisceaux — constitue un instrument clé pour comprendre l’impact des maladies neurodégénératives sur le cerveau. Malgré des avancées substantielles, la tractographie reste toutefois encline à produire des faux positifs, c’est-à-dire des faisceaux anatomiquement implausibles, fragilité qui se répercute sur l’ensemble des applications dérivées, dont la tractométrie.

 

Cette thèse propose trois contributions ciblant directement ces enjeux. D’abord, une mise en contexte unifie trois domaines orthogonaux, mais centraux à ce travail : l’apprentissage automatique, l’apprentissage par renforcement et la tractographie. Ensuite, un premier article présente une évaluation systématique du cadre Track-to-Learn, qui apprend le processus de tractographie par apprentissage par renforcement. Puis, TractOracle est introduit comme un prolongement de Track-to-Learn, réduisant significativement les faux positifs reconstruits. Enfin, BundleParc est proposé comme méthode de tractométrie permettant d’analyser les propriétés microstructurelles sans recourir à la tractographie elle-même.

 

La thèse se conclut par une discussion réflexive sur les réussites, les limites et les faits saillants du parcours, ainsi qu’un regard prospectif sur les pistes de recherche ouvertes par ces travaux.

 

Jury

Directeur : Maxime Descoteaux,  professeur au Département d’informatique
Codirecteur : Pierre-Marc Jodoin, professeur au Département d’informatique
Président-rapporteur : Guillaume Gilet, professeur au Département d’informatique
Membre externe : Carole Frindel, professeure CREATIS, INSA-Lyon, Université de Lyon 
Membre interne : Kevin Whittingstall, professeur à la Faculté de médecine et des sciences de la santé