Estimation de l'atrophie cérébrale en imagerie par résonance magnétique : application à la sclérose en plaques

Cette thèse est consacrée à l'estimation de l'atrophie cérébrale longitudinale pour les patients atteints de sclérose en plaques. Tout d'abord, sur la base de leur robustesse à diverses sources d'erreur (inhomogénéité en intensité, bruit, distorsions géométriques, artefacts d'interpolation et présence de lésions), une évaluation des principales approches d'estimation de l'atrophie cérébrale est réalisée à l'aide de simulations d'une vérité terrain. Ensuite, une analyse statistique est effectuée afin d'estimer les incertitudes associées à l'atrophie mesurée. Un cadre générique est proposé pour construire des intervalles de confiance de l'atrophie estimée dans une région d'intérêt du cerveau. Une base d'apprentissage est utilisée pour obtenir ces intervalles de confiance pour un algorithme quelconque d'estimation de l'atrophie. Enfin, un cadre bayésien est proposé pour l'estimation conjointe d'une transformation non-rigide (à partir de laquelle l'atrophie est calculée) et du champ d'inhomogénéité en intensité présent dans les images. Cette approche bayésienne couplée aux techniques MCMC fournit un cadre rigoureux pour la construction d'intervalles de confiance de l'atrophie cérébrale.This dissertation is dedicated to estimation of longitudinal brain atrophy in patients with multiple sclerosis. First, an evaluation of widely used brain atrophy estimation approaches is carried out using simulated gold standards in order to test their robustness to various sources of error (bias-field inhomogeneity, noise, geometrical distortions, interpolation artefacts and presence of lesions). Next, statistical analysis of maps of volumetric change in an individual brain is performed in order to estimate the uncertainties associated with the measured atrophy. A generic framework for constructing confidence intervals for atrophy estimated in any region of interest in the brain is developed. With the help of a learning database, confidence intervals can be obtained for any atrophy estimation algorithm. Finally, a Bayesian framework is developed that allows for the estimation of a non-rigid transformation (from which atrophy is obtained through its Jacobian) and bias field inhomogeneity. MCMC sampling methods coupled with this framework make the construction of confidence intervals possible for the estimated atrophy