Analysis of temporal and spatial dynamics of spontaneous brain networks obtained from functional magnetic resonance imaging

L’imagerie par résonance magnétique fonctionnelle (IRMf) est un outil de choix pour cartographier d’une manière non invasive l’activité du cortex, donnant ainsi un accès à l’organisation fonctionnelle cérébrale. Cette organisation des aires cérébrales en réseaux complexes reste encore un vaste sujet d’étude, autant dans le domaine de la recherche fondamentale, pour mieux comprendre le développement et le fonctionnement du cerveau, que dans le domaine clinique, à des fins diagnostiques par exemple. Les réseaux cérébraux dits de repos, chez un sujet donné, peuvent être observés lors d’études IRMf lorsqu’aucune tâche motrice ou cognitive n’est imposée au sujet imagé. La première partie de cette thèse a permis le développement d’une méthode automatique d’identification de ces réseaux. Réalisée à l’échelle du sujet, cette méthode permet de sélectionner tous les réseaux spécifiques au sujet ce qui s’avère nécessaire dans un cadre diagnostique où l’individu prime. Au delà de la détection et de l’identification de ces réseaux, l’étude de leurs modes d’interaction dans l’espace et dans le temps et plus généralement l’analyse de la dynamique de la connectivité fonctionnelle (DCF) fait l’objet d’un intérêt grandissant. Cette analyse nécessite le développement de méthodes innovantes de traitement du signal et de l’image qui, pour l’heure, sont encore de nature exploratoire. La deuxième partie de cette thèse présente donc de nouvelles approches pour caractériser la DCF en utilisant le cadre probabiliste de modèles de Markov cachés multidimensionnels. Les mécanismes conversationnels entre réseaux cérébraux peuvent ainsi être identifiés et caractérisés à l’échelle de la seconde. Deux applications, au niveau du sujet puis du groupe, ont permis de mettre en avant les modifications des propriétés dynamiques des interactions entre réseaux sous certaines conditions ou pathologies.The functional magnetic resonance imaging (fMRI) is a perfect tool for mapping in a non- invasive manner the activity of the cortex, giving access to the functional organization of the brain. This organization of brain areas into complex networks remains a large topic of study, both from a fundamental research perspective, to better understand the development and function of the brain, and from a clinical perspective, for diagnostic purposes for instance. The resting-state networks in a given subject can be observed in fMRI studies where no motor or cognitive tasks are imposed to the subject. The first part of this thesis focused on the development of an automatic identification method of these networks. Performed at the subject level, this method selects all the resting-state networks proper to the subject. Beyond the detection and identification of these networks, the study of interactions between these networks in space and time, and more generally the analysis of the dynamic functional connectivity (DFC), is the subject of growing interest. This analysis requires the development of innovative methods of signal or image processing that, for now, are still exploratory. The second part of this thesis thus presents new approaches to characterize the DFC using the probabilistic framework of multidimensional hidden Markov models. Conversational mechanisms between brain networks can be identified and characterized at the resolution of the second. Two applications, first on a single subject then on a group, helped to highlight the changes of dynamic properties of interaction between networks under certain conditions or diseases