Enhanced representation and learning of magnetic resonance image signatures in multiple sclerosis

Yogesh Karpate - EPI VIsAGeS

PhD defense - Monday 14th September 2015

The talk [59:49 mn] Downloading file (MP4)

Composition du Jury:

Olivier COLLIOT, Head of the ARAMIS Lab, Director of Research CNRS (Rapporteur)

Jean-Philippe RANJEVA, Head of the group ’ Human CNS ’, Medical School of Marseille, Aix Marseille Université (Rapporteur)

Koen VAN LEEMPUT, Researcher, Athinoula A. Martnios Center of Biomedical Imaging, Harvard Medical School/Technical University of Denmark (Examinateur)

François ROUSSEAU, Professor, LaTIM INSERM U1101, Telecom-Bretagne, Brest (Examinateur)

Patrick BOUTHEMY, Director of Research Inria and l'Irisa, Rennes (Examinateur)

Gilles EDAN, Professor, Institut Des Neurosciences Cliniques De Rennes (Examinateur)

Christian BARILLOT, DR1, CNRS, Team VISAGES, INRIA (Directeur de thèse)

Olivier COMMOWICK, CR1, Team VISAGES, INRIA ,INRIA (Co-directeur de thèse)

Résumé (Abstract):

La sclérose en plaques (SEP) est une maladie auto-immune inflammatoire du jeune adulte causant des handicaps variables et progressifs irréversibles. Cette maladie est présente de manière prépondérante dans l’hémisphère nord. Cette thèse s’attache à la caractérisation et à la modélisation de signatures IRM multimodales des lésions de sclérose en plaques. L’objectif est d’améliorer les modèles de représentation de l’image et d’adapter les méthodes d’apprentissage pour la reconnaissance visuelle, dans le cas où des informations de haut niveau telles que les lésions SEP incluses dans l’IRM sont extraites.

Nous proposons dans cette thèse un nouvel algorithme de normalisation d’intensité en IRM, particulièrement centré sur la normalisation d’images longitudinales multimodales, afin de produire des détections d’évolution de lésion robustes. Cette normalisation est centrée sur la modélisation de l’histogramme de l’image par un modèle de mixture de Gaussiennes robuste à la présence de lésions. Faisant suite à cet algorithme, nous proposons également deux nouvelles méthodes de détection de lésions SEP basées sur (1) une comparaison statistique du patient vis à vis d’une population de sujets contrôle et (2) un cadre probabiliste de détection basé sur un apprentissage d’une classe (tissus sains). Nous avons évalué les algorithmes proposés sur plusieurs jeux de données multi-centriques et vérifié leur efficacité dans la détection de lésions.
Mot clés : IRM, sclérose en plaques, normalisation d’intensités, statistiques, apprentissage, machine learning