Méthodes géométriques et variationnelles pour le traitement d'IRM du tenseur de diffusion

Cette thèse est consacrée au développement d'outils de traitement pour l'Imagerie par Résonance Magnétique du Tenseur de Diffusion (IRM-TD). Cette technique d'IRM récente est d'une grande importance pour comprendre le fonctionnement du cerveau ou pour améliorer le diagnostic de pathologies neurologiques. Nous proposons des méthodes de traitement basées sur la géométrie Riemannienne, les équations aux dérivées partielles et les techniques de propagation de front. La première partie de ce travail est théorique. Après des rappels sur le système nerveux humain, l'IRM et la géométrie différentielle, nous étudions l'espace des lois normales multivariées. L'introduction d'une structure Riemannienne sur cet espace nous permet de définir des statistiques et des schémas numériques intrinsèques qui sont à la base des algorithmes proposés dans la seconde partie. Les propriétés de cet espace sont importantes pour l'IRM-TD car les tenseurs de diffusion sont les matrices de covariance de lois normales modélisant la diffusion des molécules d'eau en chaque voxel du milieu imagé. La seconde partie est méthodologique. Nous y introduisons des approches originales pour l'estimation et la régularisation d'IRM-TD. Puis nous montrons comment évaluer le degré de connectivité entre aires corticales et introduisons un modèle statistique d'évolution de surface permettant de segmenter ces images. Finalement, nous proposons une méthode de recalage non-rigide. La dernière partie de cette thèse est consacrée à l'analyse des connexions entre le cortex cérébral et les noyaux gris centraux, impliquées dans des tâches motrices, et à l'étude du réseau anatomo-fonctionnel du cortex visuel humain.This thesis deals with the development of new processing tools for Diffusion Tensor Magnetic Resonance Imaging (DT-MRI). This recent MRI technique is of utmost importance to acquire a better understanding of the brain mechanisms and to improve the diagnosis of neurological disorders. We introduce new algorithms relying on Riemannian geometry, partial differential equations and front propagation techniques. The first part of this work is theoretical. After a few reminders about the human nervous system, MRI and differential geometry, we study the space of multivariate normal distributions. The introduction of a Riemannian structure on that space allows us to define statistics and intrinsic numerical schemes that will constitute the core of the algorithms proposed in the second part. The properties of that space are important for DT-MRI since diffusion tensors are the covariance matrices of normal laws modeling the diffusion of water molecules at each voxel of the acquired volume. The second part of this thesis is methodological. We start with the introduction of original approaches for the estimation and regularization of DT-MRI. We then show how to evaluate the degree of connectivity between cortical areas. Next, we introduce a statistical surface evolution framework for the segmentation of those images. Finally, we propose a non-rigid registration method. The last part of this thesis is dedicated to the application of our tools to two important neuroscience problems: the analysis of the connections between the cerebral cortex and the basal ganglia, implicated in motor tasks, and the study of the anatomo-functional network of the human visual cortex.NICE-BU Sciences (060882101) / SudocSudocFranceF