Apprentissage profond et théorie des graphes pour l'analyse de la connectivité cérébrale dans la sclérose en plaques

La sclérose en plaques (SEP) est une maladie chronique du système nerveux central, principale cause de handicap d'origine non traumatique chez l'adulte jeune. Il se caractérise par de nombreux processus de démyélinisation inflammatoire qui provoquent une vaste gamme de symptômes, notamment des déficits cognitifs et invalidité irréversible. L'imagerie par résonance magnétique (IRM) est aujourd'hui l'outil de référence pour le diagnostic de la maladie. L'emploi de techniques d'imagerie avancées comme la spectroscopie par résonance magnétique et l'IRM de diffusion (DTI) sont les principaux outils de détection des altérations autres que les lésions cérébrales visibles. Ces techniques ont également permis de mieux comprendre mécanismes pathologiques dans la substance blanche. En particulier, de nouvelles approches basées sur la représentation d'images IRM utilisant la théorie des graphes ont été appliquées avec succès pour l'étude et la quantification des dommages à la substance blanche. La dernière décennie a vu l'émergence de prometteuses méthodes d'apprentissage profond pour l'étude des réseaux sociaux. Ces méthodes ont ouvert des perspectives fascinantes en neurosciences pour l'étude de la connectivité structurelle et fonctionnelle du cerveau. Grâce à leur capacité à analyser d'énormes quantités de données et à identifier les relations latentes, ce domaine de l'intelligence artificielle a connu un assez grand succès dans la communauté scientifique et s'applique désormais dans de nombreux contextes, notamment le diagnostic médical. Dans ce manuscrit, nous présenterons les différentes techniques d'apprentissage profond développées dans ce travail concernant l'analyse des images biomédicales et, en particulier, pour la classification et la caractérisation des patients atteints de SEP. Dans ce contexte, la connectivité structurelle est utilisée pour représenter les patients. En fait, la théorie des graphes est devenue un outil sensible pour la détection des altérations causées par les pathologies cérébrales, et peut être combinée à des techniques d'apprentissage automatique afin d'identifier les propriétés structurelles latentes utiles pour étudier la progression de la maladie. La première partie de ce manuscrit est consacré à la description de l'état de l'art. Cet état de l'art se focalisera sur les études montrant les effets de la SEP sur les faisceaux de SB grâce à l'emploi de l'imagerie de tenseur de diffusion. Une description des principales techniques d'apprentissage profond sera également fournie, ainsi que des exemples d'applicabilité dans le contexte biomédical. Dans la seconde partie, deux techniques d'apprentissage profond seront proposées, concernant la génération de nouvelles images IRM du cerveau humain et l'identification automatique du disque optique dans les images du fond oculaire. Dans la troisième partie, nous présenterons les techniques d'apprentissage profond combinées à la théorie des graphiques que développée dans ce travail pour étudier la connectivité structurelle des patients atteints d'une SEP. Nous présenterons en particulier des modèles de réseaux de neurones basés sur la théorie des graphes pour la classification des patients dans leurs formes cliniques. Une attention particulière sera accordée à l'interprétation de ces modèles afin d'identifier les sous-structures cérébrales potentiellement importantes. Enfin, nous explorerons des approches semi-supervisées et non supervisées pour réduire l'intervention humaine dans les processus de décisionMultiple sclerosis (MS) is a chronic disease of the central nervous system, leading cause of nontraumatic disability in young adults. MS is characterized by inflammation, demyelination and neurodegenrative pathological processes which cause a wide range of symptoms, including cognitive deficits and irreversible disability. Concerning the diagnosis of the disease, the introduction of Magnetic Resonance Imaging (MRI) has constituted an important revolution in the last 30 years. Furthermore, advanced MRI techniques, such as brain volumetry, magnetization transfer imaging (MTI) and diffusion-tensor imaging (DTI) are nowadays the main tools for detecting alterations outside visible brain lesions and contributed to our understanding of the pathological mechanisms occurring in normal appearing white matter. In particular, new approaches based on the representation of MR images of the brain as graph have been used to study and quantify damages in the brain white matter network, achieving promising results. In the last decade, novel deep learning based approaches have been used for studying social networks, and recently opened new perspectives in neuroscience for the study of functional and structural brain connectivity. Due to their effectiveness in analyzing large amount of data, detecting latent patterns and establishing functional relationships between input and output, these artificial intelligence techniques have gained particular attention in the scientific community and is nowadays widely applied in many context, including computer vision, speech recognition, medical diagnosis, among others. In this work, deep learning methods were developed to support biomedical image analysis, in particular for the classification and the characterization of MS patients based on structural connectivity information. Graph theory, indeed, constitutes a sensitive tool to analyze the brain networks and can be combined with novel deep learning techniques to detect latent structural properties useful to investigate the progression of the disease. In the first part of this manuscript, an overview of the state of the art will be given. We will focus our analysis on studies showing the interest of DTI for WM characterization in MS. An overview of the main deep learning techniques will be also provided, along with examples of application in the biomedical domain. In a second part, two deep learning approaches will be proposed, for the generation of new, unseen, MRI slices of the human brain and for the automatic detection of the optic disc in retinal fundus images. In the third part, graph-based deep learning techniques will be applied to the study of brain structural connectivity of MS patients. Graph Neural Network methods to classify MS patients in their respective clinical profiles were proposed with particular attention to the model interpretation, the identification of potentially relevant brain substructures, and to the investigation of the importance of local graph-derived metrics for the classification task. Semisupervised and unsupervised approaches were also investigated with the aim of reducing the human intervention in the pipelin