Thèse
Publié le 5 mars 2018 | Mis à jour le 19 septembre 2018

Mathilde GIACALONE 2014-2017 - PhD director: David Rousseau, co-directors: Emmanuel Grenier and Carole Frindel

équipe CREATIS-2

Title: Traitement et simulation d’images d’IRM de perfusion pour la prédiction de l’évolution de la lésion ischémique dans l’accident vasculaire cérébral

L’Accident Vasculaire Cérébral (AVC) – pathologie résultant d’une perturbation de l’apport sanguin dans
le cerveau – est un problème de santé publiquemajeur, représentant la troisième cause de mortalité dans les pays industrialisés. Afin d’améliorer la prise en charge des patients atteints d’un AVC, il est important de posséder des méthodes efficaces pour l’identification des patients éligibles aux différentes thérapies et pour l’évaluation du rapport bénéfice/risque associé à ces thérapies. Dans ce contexte, l’Imagerie par Résonance Magnétique (IRM) dynamique de perfusion par contraste de susceptibilité, une modalité d’imagerie utile pour apprécier l’état de la perfusion cérébrale, peut aider à identifier les tissus à risque de s’infarcir. Cependant, l’intégralité de la chaîne de traitement, de l’acquisition à l’analyse et l’interprétation de l’IRM de perfusion demeure complexe et plusieurs limitations restent encore à surmonter. Durant ces travaux de thèse, nous contribuons à l’amélioration de la chaîne de traitement de l’IRM de perfusion, avec comme objectif final, l’obtention d’une meilleure prédiction de l’évolution de la lésion ischémique dans l’AVC. Dans une première partie, nous travaillons principalement sur l’étape de déconvolution des signaux temporels, une des étapes clefs à l’amélioration de l’IRM de perfusion. Cette étape consiste en la résolution d’un problème inverse mal-posé, et permet le calcul de paramètres hémodynamiques qui sont des biomarqueurs importants pour la classification de l’état final des tissus dans l’AVC. Afin de comparer de façon objective les performances des différents algorithmes de déconvolution existants et d’en valider des nouveaux, il est nécessaire d’avoir accès à une information sur la vérité terrain après déconvolution. Dans ce but, nous avons développé un simulateur numérique pour l’IRMde perfusion, avec une vérité terrain générée automatiquement. Ce simulateur est utilisé pour démontrer la faisabilité d’une automatisation du réglage des paramètres de régularisation, et établir la robustesse d’un algorithme de déconvolution avec régularisation spatio-temporelle d’introduction récente. Nous proposons également un nouvel algorithme de déconvolution globalement convergent. Enfin, la première partie de ces travaux se termine avec une discussion sur une autre étape de la chaîne de traitement en IRM de perfusion, à savoir, la normalisation des cartes de paramètres hémodynamiques extraites des images déconvoluées.
Dans une seconde partie, nous nous intéressons à la prédiction de l’évolution de l’état des tissus à partir de données d’IRM longitudinales de patients victimes d’un AVC. Nous montrons, dans un premier temps, l’intérêt de modéliser les études sur données d’IRM longitudinales comme un canal de communication, où la théorie de l’information nous procure des outils pour identifier les cartes de paramètres hémodynamiques avec le contenu prédictif le plus important, déterminer l’échelle spatiale d’observation apportant une prédictibilité optimale pour la classification de l’état des tissus ou encore estimer l’impact du bruit dans les études de prédiction. Ensuite, nous montrons la plus-value apportée par l’injection de descripteurs de forme de la lésion à la phase aiguë dans des modèles classiques de régression linéaire pour la prédiction du volume final de la lésion ischémique. Enfin, nous proposons un classificateur de l’état final des tissus basé sur des motifs binaires locaux pour encoder la signature spatio-temporelle des signaux d’IRMde perfusion.
  • Auteur(s)
    Mathilde GIACALONE