Méthodes statistiques pour l'imagerie vasculaire par résonance magnétique : application au cerveau épileptique

The objective of this thesis is the investigation of magnetic resonance imaging (MRI) for the identification and localization of brain regions involved in mesio-temporal lobe epilepsy (MTLE). Precisely, the work aims 1) at optimizing a vascular MRI protocol on an animal model of epilepsy and 2) at designing a method to quantify vascular MRI maps based on the modeling of the relationship between MRI signals and biophysical parameters.MRI acquisitions on an experimental mouse model of MTLE with hippocampal sclerosis were performed on a 9.4 T scanner. The data collected allowed the quantification of seven cellular and vascular MRI maps a few days after the epileptic condition and later when the spontaneous seizures emerged. These parameters were used for the automatic identification of epileptogenic regions and regions of seizure propagation. To enhance the detection of small variations in MRI parameters in epileptic subjects, a quantification method based on magnetic resonance fingerprinting has been developed. This method consists in identifying, among a set of simulated signals, the closest one to the acquired signal. It can be seen as an inverse problem that presents the following difficulties: the direct model is non-linear, as a complex series of equations or simulation tools; the inputs are high-dimensional signals; and the output is multidimensional. For these reasons, we used an appropriate inverse regression approach to learn a mapping between signal and biophysical parameter spaces. In a field widely dominated by deep learning approaches, the proposed method is very competitive and provides more accurate results. Moreover, the method allows for the first time to produce a confidence index associated with each estimate. In particular, this index allows to reduce the quantification error by discarding estimates associated with low confidence.So far no clinical protocol emerges as a consensus to accurately localize epileptic foci. The possibility of a non-invasive identification of these regions is therefore a first step towards a potential clinical transfer.L'objectif de ce travail de thèse est l'exploration de l'imagerie par résonance magnétique (IRM) pour l'identification et la localisation des régions du cerveau impliquées dans l'épilepsie mésio-temporale. Précisément, les travaux visent 1) à optimiser un protocole d'IRM vasculaire sur un modèle animal d'épilepsie et 2) à concevoir une méthode de quantification de cartes IRM vasculaires basée sur la modélisation de la relation entre signaux IRM et paramètres biophysiques.Les acquisitions IRM sur un modèle expérimental murin d'épilepsie mésio-temporale avec sclérose de l'hippocampe ont été effectuées sur un scanner 9.4 T. Les données collectées ont permis de quantifier sept cartes IRM cellulaires et vasculaires quelques jours après l'état de mal épileptique puis plus tard, lorsque les crises spontanées sont apparues.Ces paramètres ont été employés pour l'identification automatique des régions épileptogènes et des régions de propagation des crises. Afin d'augmenter la détection de petites variations des paramètres IRM chez les individus épileptiques, une méthode de quantification basée sur la résonance magnétique fingerprinting est développée. Cette méthode consiste à identifier, parmi un ensemble de signaux simulés, le plus proche du signal IRM acquis et peut être vue comme un problème inverse qui présente les difficultés suivantes : le modèle direct est non-linéaire et provient d'une série d'équations sans expression analytique simple; les signaux en entrée sont de grandes dimensions; les vecteurs des paramètres en sortie sont multidimensionnels. Pour ces raisons, nous avons utilisé une méthode de régression inverse afin d'apprendre à partir de simulation la relation entre l'espace des paramètres et celui des signaux. Dans un domaine largement dominé par les approches d'apprentissage profond, la méthode proposée se révèle très compétitive fournissant des résultats plus précis. De plus, la méthode permet pour la première fois de produire un indice de confiance associé à chacune des estimations. En particulier, cet indice permet de réduire l'erreur de quantification en rejetant les estimations associées à une faible confiance.Actuellement, aucun protocole clinique permettant de localiser avec précision le foyer épileptique ne fait consensus. La possibilité d'une identification non-invasive de ces régions est donc un premier pas vers un potentiel transfert clinique