Characterization of multi-subject networks in fMRI : contribution of clustering based on functional connectivity.

La compréhension du fonctionnement cérébral est en constante évolution depuis l’essor des neurosciences.Les nouvelles modalités d’imagerie ont permis de mettre en évidence une architecture de notre cerveau en réseaux complexes. Mon travail a pour but de développer une méthode mettant en évidence les réseaux les plus représentatifs d’un groupe de sujet en IRM fonctionnelle.Dans un premier temps, j’ai développé une méthode de réduction des données basées sur le clustering.J’ai introduit une nouvelle caractérisation de l’information fonctionnelle par le profil de connectivité.Celui-ci permet de réduire le biais induit par le bruit présent au sein des données d’IRM fonctionnelle.De plus ce profil ne nécessite pas d’a priori sur les données contrairement aux méthodesi nférentielles classiques.Dans un deuxième temps, j’ai développé une méthode qui permet l’identification de réseaux communs sur un groupe de sujets tout en prenant en compte les variabilités spatiales et fonctionnelles inter-sujets. Les réseaux obtenus peuvent ensuite être caractérisés par leur distribution spatiale mais également par les liens de connectivités se manisfestant en leur sein.Cette méthode permet également la comparaison des réseaux de différents groupes de sujets et la mise en évidence de l’implication de réseaux différents en fonction de stimulations différentes ou d’un état pathologique.The comprehension of cerebral operations is in constant evolution since the rise of the neurosciences.New methods of imagery made it possible to highlight an architecture of our brain in complex networks.The purpose of my work is to develop a method to find the most representative networks of a group of subjects in Functional MRI.In the first step, I developed a method to reduce the fMRI data size based on clustering. I introduced a new characterization of functional information by the profile of connectivity. This one makes it possible to reduce the variance induced by the noise present within the data of Functional MRI.Moreover this profile does not require a priori information on the data contrary to the traditional inferential methods.In the second step, I developed a method to identify common networks on a group of subjects while taking into account of spatial and functional inter-subjects variability. The networks obtained can then be characterized by their spatial organization but also by their inner connectivity links.This method also allows the comparison of the networks of various groups of subjects, making it possible to highlight the implications of different networks according to different stimulations or pathological states