Utilisation de l’apprentissage de variété pour le diagnostic médical : application aux neuropathies optiques - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Access content directly
Master Thesis Year : 2019

Optic nerves unsupervised tractography in a manifold subspace: moving beyond scalar values to diagnose optic neuropathies using Diffusion-Weighted Imaging

Utilisation de l’apprentissage de variété pour le diagnostic médical : application aux neuropathies optiques

Abstract

The diffusion-weighted magnetic resonance images reveal the Brownian motion of the water molecules which can be used as raw data to reconstruct various fascicles with tractography post-processing. Deep learning algorithms have recently been proposed to improve the tracking process limitations. However, the tractographic process as itself remains time consuming for clinical practice as well as highly dependent on the diffusion-signal modeling and conditions of tracking. In addition, using supervised machine learning methods raise a problem of gold standard choice. Poposing an unsupervised machine learning method with the ability to reconstruct anatomical structures directly from the Fiber Orientation Distribution (FOD) and computationally efficient hold promise to explore disease models. Statistical representation of the FOD geometry requires appropriate theories to enforce physically meaningful properties in a non-Euclidean space. Here we present a new framework for FOD analysis, as extracted by manifold Riemannian approximation. We firstly model FOD shapes as a quantitative data-driven learning task and apply this framework to classify various synthetic FODs in a manifold subspace. We then applied this algorithm on the human anterior optic pathways in normal and pathological conditions, to demonstrate the feasibility for single-subject diagnosis.of ischemic or demyelinating optic neuropathy.
Les images de résonance magnétique pondérées en diffusion révèlent le mouvement brownien des molécules d’eau, qui peut être utilisé pour la reconstruction des faisceaux nerveux lors d'un post-traitement de tractographie. Des algorithmes d'apprentissage automatique ont récemment été proposés pour améliorer le processus de reconstruction de fibres. Cependant, le processus tractographique en tant que tel est chronophage en pratique clinique et dépend fortement de la modélisation du signal de diffusion. De plus, l'utilisation de méthodes d'apprentissage automatique supervisées pose un problème de gold standard. Proposer une méthode d’apprentissage automatique non supervisée avec la capacité de reconstruire des structures anatomiques directement à partir de la distribution d’orientation des fibres nerveuses (FOD) permet d’explorer des modèles de maladies. La représentation statistique de la géométrie du FOD nécessite des théories appropriées pour imposer des propriétés physiquement dépendant d'un espace non euclidien. Nous présentons ici un nouveau moyen d'analyse des FOD, tel qu’il est extrait par approximation Riemannienne. Nous avons ensuite appliqué cet algorithme sur les voies optiques antérieures humaines dans des conditions normales et pathologiques, afin de démontrer la faisabilité d'un diagnostic de neuropathie optique ischémique ou démyélinisante.
Fichier principal
Vignette du fichier
2019GREA5059_fabert_charlotte_dif.pdf (7.01 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

dumas-03240571 , version 1 (28-05-2021)

Identifiers

Cite

Charlotte Fabert. Utilisation de l’apprentissage de variété pour le diagnostic médical : application aux neuropathies optiques. Médecine humaine et pathologie. 2019. ⟨dumas-03240571⟩
33 View
83 Download

Share

Gmail Facebook X LinkedIn More