Description
Date depot: 17 mars 2023
Titre: MRI Segmentation of brainstem structures using Deep Learning techniques: Application to Amyotrophic Lateral Sclerosis
Directeur de thèse:
Jérémie SUBLIME (LISITE)
Encadrante :
Véronique MARCHAND-PAUVERT (LIB (ED158))
Encadrante :
Hélène URIEN (LISITE)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Images et vision
Resumé: La sclérose latérale amyotrophique (SLA ou maladie de Charcot) est une maladie neuro-dégénérative affectant les neurones moteurs du système nerveux central, conduisant à une paralysie progressive puis au décès des patients 2 à 5 ans après les 1er symptômes, souvent après un arrêt respiratoire. Il n'y a à ce jour aucun traitement améliorant les chances de survie ou la qualité de vie. Le diagnostic est généralement long à établir (12 à 18 mois), ce qui retarde le suivi des patients et leur possible participation à des essais thérapeutiques. D'autre part, évaluer le pronostic des patients (progression lente ou rapide, réponse à des thérapies nouvelles, etc.) est complexe du fait des limites des actuels outils disponibles pour évaluer la progression de la maladie. Cependant, plusieurs études ont montré l'intérêt de l'imagerie IRM dans l'évaluation d'un certains nombre de métriques utiles pour établir un pronostic.
Parmi les structures du système nerveux central très probablement affectées par la SLA, le tronc cérébral est une zone particulièrement intéressante. Celui-ci est localisé entre le cerveau et la moelle épinière, et contient des structures neuronales cruciales pour la survie du patient (le contrôle de la respiration autonome par exemple). De ce fait, il a été démontré que repérer une atrophie du tronc cérébral, quantifiable en utilisant un IRM anatomique, peut permettre de prédire quand l'arrêt respiratoire interviendra (avant le début des symptômes) et ainsi d'anticiper les mesures médicales palliatives nécessaires. Cependant, il n'existe à ce jour aucune méthodologie pour segmenter finement les structures du tronc cérébral, et encore moins pour distinguer la matière blanche (axones myélinisés qui permettent de connecter divers groupes de neurones spécialisés) de la matière grise (les structures neuronales telles que les noyaux). L'objectif de cette thèse serait donc de d'utiliser le potentiel des méthodes d'apprentissage profond récentes sur des images IRM de patients atteints de SLA afin de : a) proposer une segmentation fine des structures du tronc cérébral (matière blanche et matière grise), b) étudier les effets de la maladie et ses mécanismes sous-jacents à partir des différences observées sur ses structures entre personnes saines et personnes malades à différents stades, c) proposer un algorithme pouvant distinguer les patients malades et sains et indiquer le stade de la maladie, et d) potentiellement de proposer un algorithme capable de prédire les évolutions de la SLA.
Résumé dans une autre langue: Amyotrophic lateral sclerosis (ALS) is a neurodegenerative disease affecting motor neurons in the central nervous system, leading to progressive paralysis and death within 2-5 years after the first symptoms, most often due to respiratory failure. There is no therapy with a satisfactory effect on survival and quality of life. The diagnosis is usually long (12-18 months), thus delaying a proper follow-up and possible inclusion in clinical trials. Furthermore, assessing the prognosis of patients (rapid or slow progression, response to innovative therapies) is difficult with current tools used in clinical routine. However, several studies have shown that multimodal magnetic resonance imaging (MRI) gives rise to valuable metrics for patient evaluation and prognosis.
Among the structures of the central nervous system, the brainstem is of particular interest in ALS. It is located between the brain and the spinal cord, and englobes motor neurons that are crucial for patient survival (respiratory control). Accordingly, it has been shown that atrophy of the brainstem lower part, quantified using anatomical MRI, helps to predict respiratory failure (before the first symptoms) and anticipate its clinical management. However, to date, no methodology exists for a fine segmentation of brainstem structures, especially to distinguish between white (myelinated axons ‒emerging from neurons‒ supporting structural connectivity between populations of neurons) and grey matter (structures grouping neuron cell bodies, called nuclei). The thesis project is therefore to investigate the potential of deep learning methods on multimodal MRI data of ALS patients in order to: a) achieve a precise segmentation of the brainstem and the delineation of brainstem nuclei and white matter, b) assess the effect of the disease and studying the underlying mechanisms on the discovered structures by comparing MRI data healthy and sick persons at more or less advanced stages, c) proposing a method to distinguish between healthy and sick patient and predicting the stage of the disease, and hopefully d) predict the evolution of ALS from early exams.
Doctorant.e: Oh Seoyoung