Home » évènement

Soutenance de thèse Constance FOURCADE (équipe SIMS)

Constance FOURCADE, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée :

« Suivi du cancer du sein métastasé via le recalage et la segmentation d’images TEP en utilisant des méthodes conventionnelles et des réseaux convolutifs entrainés et non-entrainés »

« Longitudinal monitoring of metastatic breast cancer through PET image registration and segmentation based on conventional as well as trained and untrained convolutional networks »

Le 27 juin 2022 à 14h00 dans l’amphithéâtre du bâtiment S de l’École Centrale de Nantes.

Jury :

  • Directrice de thèse :
    • Diana Mateus
  • Co-encadrants :
    • Mathieu Rubeaux (Chef de projet R&D – Keosys)
    • Ludovic Ferrer (Physicien médical – Institut de Cancérologie de l’Ouest)
  • Rapporteurs :
    • Caroline Petitjean (Professeure des Universités – LITIS, Université de Rouen Normandie)
    • Vincent Noblet (Ingénieur de recherche – ICube, Université de Strasbourg)
  • Examinateurs :
    • Irène Buvat (Directrice de Recherche CNRS – LITO, Institut Curie)
    • Mathieu Hatt (Directeur de Recherche INSERM – LaTIM, Iniversité Bretagne Occidentale)
    • Nicolas Duchateau (Maître de Conférence – CREATIS, INSA Lyon)

Résumé :

Le cancer du sein métastasé nécessite un suivi régulier. Au cours du traitement, des images de TEP-scan sont régulièrement acquises puis interprétées selon des recommandations telles que PERCIST pour décider d’un éventuel ajustement thérapeutique. Cependant, PERCIST se concentre seulement sur la lésion présentant l’activité tumorale la plus élevée. L’objectif de cette thèse est de développer des outils permettant de prendre en compte toutes les zones actives à l’aide du TEP-scan, afin de suivre au mieux l’évolution du cancer du sein.

Notre première contribution est une méthode pour la segmentation automatique d’organes actifs (cerveau, vessie) grâce à des superpixels et à de l’apprentissage profond.

Notre deuxième contribution formule la segmentation de lésions sur les images de suivi comme un problème de recalage d’images. Pour résoudre le recalage longitudinal d’images TEP corps entier, nous avons développé une nouvelle méthode nommée MIRRBA (Medical Image Registration Regularized By Architecture), qui combine les avantages des méthodes conventionnelles et de celles utilisant l’apprentissage profond. Nous avons validé trois approches (conventionnelle, apprentissage profond et MIRRBA) sur une base de données privées d’images TEP longitudinales obtenues dans le contexte de l’étude EPICURE.

Finalement, notre troisième contribution est l’évaluation de biomarqueurs extraits des segmentations de lésions obtenues grâce au recalage. Nous proposons donc un nouvel outil automatisé pour améliorer suivi du cancer du sein métastasé.

Mots-clés : Cancer du sein métastasé, Recalage d’images, TEP, Apprentissage profond

 

Abstract:

Metastatic breast cancer requires constant monitoring. During follow-up care, PET images are regularly acquired and interpreted according to specific guidelines, such as PERCIST, to decide whether or not the treatment should be adapted. However, PERCIST focuses only on one lesion representing tumor burden. The objective of this PhD thesis is to assist physicians monitor metastatic breast cancer patients with longitudinal PET images and improve tumor evaluation by providing them tools to consider all regions showing a high uptake.

Our first contribution is a method for the automatic segmentation of active organs (brain, bladder, etc) based on a combination of superpixels and deep learning (DL).

Our second contribution formulates the segmentation of lesions in the follow-up examination as an image registration problem. The longitudinal full-body PET image registration problem is addressed, in this thesis, with our novel method called MIRRBA (Medical Image Registration Regularized By Architecture), which combines the strengths of both conventional and DL-based approaches within a Deep Image Prior (DIP) setup. We validated the three types of approaches (conventional, DL and MIRRBA) on a private longitudinal PET dataset obtained in the context of the EPICURE project.

Finally, the third contribution is the evaluation of the biomarkers extracted from lesion segmentations obtained from the lesion registration step. We propose a new tool for the monitoring of metastatic breast cancer.

Keywords: Metastatic breast cancer, Image registration, PET, Deep learning

 

Colloque « Kymatio: Deep learning meets wavelet theory »

Vincent Lostanlen (équipe SIMS) organise un colloque les 19 et 20 mai 2022 intitulé « Kymatio: Deep learning meets wavelet theory« .

Ce dernier sera consacré au développement d’une bibliothèque en source ouverte pour l’intelligence artificielle et le traitement en ondelettes.

Plus d’info sur https://kymat.io

Soutenance de thèse Maël Millardet (équipe SIMS)

Maël Millardet, doctorant au sein de l’équipe SIMS, soutiendra sa thèse, intitulée « Amélioration de la quantification des images TEP à l’yttrium 90″ / « Improvement of the quantification of yttrium-90 PET images« 

lien streaming : https://ec-nantes.zoom.us/j/96497900284 (Code secret : 0im&7X8^)

Le 11 avril à 9h00, dans l’amphithéâtre S à l’École Centrale.

Jury :

  • Directeur de thèse : Saïd MOUSSAOUI (Professeur des universités, LS2N, ECN)
  •  Co-directeur de thèse : Thomas CARLIER ( physicien médical, CRCINA, CHU Nantes)
  • Co-encadrant : Diana MATEUS (Professeur des universités, LS2N, ECN)
  • Rapporteurs : Claude COMTAT (Ingénieur de recherche CEA, HDR, SHFJ, Université Paris-Saclay) ; Nicolas DOBIGEON (Professeur des universités, IRIT, Université de Toulouse)
  • Examinateurs : Emilie CHOUZENOUX (Chargée de recherche Inria, CVN, CentraleSupélec) ; Mai NGUYEN-VERGER (Professeur des universités, ETIS, CY Cergy Paris Université) ; Voichita MAXIM (Maîtresse de conférences, CREATIS, INSA Lyon)
  • Invités : Françoise KRAEBER-BODÉRÉ (Professeur des universités praticienne hospitalière, CRCINA, CHU de Nantes) ; Jérôme IDIER (Directeur de recherche CNRS, LS2N UMR CNRS 6004)

Résumé : La popularité de l’imagerie TEP à l’yttrium 90 va grandissante. Cependant, la probabilité qu’une désintégration d’un noyau d’yttrium 90 mène à l’émission d’un positon n’est que de 3,2 × 10-5, et les images reconstruites sont par conséquent caractérisées par un niveau de bruit élevé, ainsi que par un biais positif dans les régions de faible activité. Pour corriger ces problèmes, les méthodes classiques consistent à utiliser des algorithmes pénalisés, ou autorisant des valeurs négatives dans l’image. Cependant, une étude comparant et combinant ces différentes méthodes dans le contexte spécifique de l’yttrium 90 manquait encore à l’appel au début de cette thèse. Cette dernière vise donc à combler ce manque. Malheureusement, les méthodes autorisant les valeurs négatives ne peuvent pas être utilisées directement dans le cadre d’une étude dosimétrique, et cette thèse commence donc par proposer une nouvelle méthode de post-traitement des images, visant à en supprimer les valeurs négatives en en conservant les valeurs moyennes le plus localement possible. Une analyse complète multi-objectifs de ces différentes méthodes est ensuite proposée. Cette thèse se termine en posant les prémices de ce qui pourra devenir un algorithme permettant de proposer un jeu d’hyper-paramètres de reconstruction adéquats, à partir des seuls sinogrammes.

Mots-clés : TEP, algorithmes de reconstruction tomographique, yttrium 90, optimisation linéaire, analyse multi-objectifs


Abstract: Yttrium-90 PET imaging is becoming increasingly popular. However, the probability that decay of a yttrium-90 nucleus will lead to the emission of a positron is only 3.2 × 10-5, and the reconstructed images are therefore characterised by a high level of noise, as well as a positive bias in low activity regions. To correct these problems, classical methods use penalised algorithms or allow negative values in the image. However, a study comparing and combining these different methods in the specific context of yttrium-90 was still missing at the beginning of this thesis. This thesis, therefore, aims to fill this gap. Unfortunately, the methods allowing negative values cannot be used directly in a dosimetric study. Therefore, this thesis starts by proposing a new method of post-processing the images, aiming to remove the negative values while keeping the average values as locally as possible. A complete multi-objective analysis of these different methods is then proposed. This thesis ends by laying the foundations of what could become an algorithm providing a set of adequate reconstruction hyper-parameters from sinograms alone.

Keywords: PET, tomographic reconstruction algorithms, yttrium-90, linear programmation, multi-objective analysis

Soutenance de thèse de Ludivine MORVAN (équipe SIMS)

Ludivine Morvan, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Prédiction de la progression du myélome multiple par imagerie TEP : adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels » / « Prediction of multiple myeloma progression by PET imaging: adaptation of random survival forests and convolutional neural networks »

mardi 7 décembre 2021 à 16h30, dans l’amphithéâtre du bâtiment S sur le site de Centrale de Nantes. La thèse sera retransmise en direct sur Zoom : https://ec-nantes.zoom.us/j/99490307550 .

Jury :
– Directeur de thèse : Pr. Diana Mateus
– Co-encadrant : Thomas Carlier (Physicien médical, CRCINA – INSERM)
– Rapporteurs : Pr. Su Ruan (Professeure des universités, LITIS) ; Mathieu Hatt (Chercheur, LaTIM)
– Autres membres : Carole Lartizien (Directrice de recherches, CREATIS) ; (Enseignant-chercheur, Imagerie et Cerveau – INSERM)
– Invité : Pr. Françoise Kraeber-Bodéré (Cheffe du service de médecine nucléaire du CHU de Nantes, CRCINA – INSERM)

Résumé : L’objectif de ces travaux est de fournir un modèle permettant la prédiction de la survie et l’identification de biomarqueurs dans le contexte du myélome multiple (MM) à l’aide de l’imagerie TEP (Tomographie à émission de positons) et de données cliniques. Cette thèse fut divisée en deux parties : La première permet d’obtenir un modèle basé sur les forêts de survie aléatoires (RSF). La seconde est basée sur l’adaptation de l’apprentissage profond à la survie et à nos données. Les contributions principales sont les suivantes : 1) Production d’un modèle basé sur les RSF et les images TEP permettant la prédiction d’un groupe de risque pour les patients atteints de MM. 2) Détermination de biomarqueurs grâce à ce modèle 3) Démonstration de l’intérêt des radiomiques TEP 4) Extension de l’état de l’art des méthodes d’adaptation de l’apprentissage profond à une petite base de données et à de petites images 5) Étude des fonctions de coût utilisées en survie. De plus, nous sommes, à notre connaissance, les premiers à investiguer l’utilisation des RSF dans le contexte du MM et des images TEP, à utiliser du pré-entraînement auto-supervisé avec des images TEP et, avec une tâche de survie, à adapter la fonction de coût triplet à la survie et à adapter un réseau de neurones convolutionnels à la survie du MM à partir de lésions TEP.

Mots-clés : Myélome multiple, Réseaux de neurones convolutionnels, Analyse de survie, Forêts de survie aléatoires, Tomographie à Emission de Positons

—————————————————————————————————————————————————————————————————————————————————————-

Abstract: The aim of this work is to provide a model for survival prediction and biomarker identification in the context of multiple myeloma (MM) using PET (Positron Emission Tomography) imaging and clinical data. This PhD is divided into two parts: The first part provides a model based on Random Survival Forests (RSF). The second part is based on the adaptation of deep learning to survival and to our data. The main contributions are the following: 1) Production of a model based on RSF and PET images allowing the prediction of a risk group for multiple myeloma patients. 2) Determination of biomarkers using this model. 3) Demonstration of the interest of PET radiomics. 4) Extension of the state of the art of methods for the adaptation of deep learning to a small database and small images. 5) Study of the cost functions used in survival. In addition, we are, to our knowledge, the first to investigate the use of RSFs in the context of MM and PET images, to use self-supervised pre-training with PET images, and, with a survival task, to fit the triplet cost function to survival and to fit a convolutional neural network to MM survival from PET lesions.

Keywords: Multiple myeloma, Convolutional Neural Network, Survival analysis, Random Survival Forest, Positron Emission Tomography

Soutenance de thèse de Nans LAROCHE (équipe SIMS)

Nans Laroche, doctorant au sein de l‘équipe SIMS, soutiendra sa thèse intitulée « Méthodes d’imagerie ultrasonore avancées et rapides pour le contrôle non destructif de matériaux atténuants et diffusants » / « Fast and advanced ultrasonic imaging methods for non destructive testing of attenuative and diffusive materials »

lundi 18 octobre 2021 à 14h15, dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Le manuscrit est accessible ici: https://box.ec-nantes.fr/index.php/s/g7YEzZKcn8KxMPp

Jury :
– Directeur de thèse : Jérôme IDIER
– Co-encadrants : Sébastien BOURGUIGNON (maître de conférence); Aroune DUCLOS (maître de conférence, Laboratoire d’Acoustique de l’Université du Mans);
– Rapporteurs : Nicolas QUAEGEBEUR (Professeur, Université de Sherbrooke) ; Jean-Philippe THIRAN (Professeur, Ecole Polytechnique Fédérale de Lausanne).
– Autres membres : Ewen CARCREFF (docteur, encadrant industriel, DB-SAS)

Résumé : Le développement de sondes multiéléments et les progrès continus en électronique ont favorisé l’émergence des méthodes d’imagerie ultrasonore pour le contrôle non-destructif (CND). En particulier, les approches linéaires de type formation de voies sont largement utilisées pour leur simplicité et leur rapidité, rendant possible l’imagerie en temps réel. Néanmoins, la résolution et le contraste des images reconstruites sont limités par la nature oscillante de l’onde ultrasonore.
Cette thèse aborde l’imagerie ultrasonore sous l’angle des problèmes inverses. La reconstruction de l’image de réflectivité à partir de mesures ultrasonores, dont l’information est limitée par la bande passante des transducteurs, est un problème inverse mal posé. Dans ces travaux, nous adoptons des techniques d’inversion par régularisation favorisant la reconstruction de solutions à la fois parcimonieuses et lisses spatialement, i.e. d’extension spatiale limitée. Nous cherchons ainsi à reconstruire une carte de réflectivité d’un milieu globalement sain, ne contenant éventuellement que quelques réflecteurs de petite taille. Une première contribution décrit la mise en œuvre et l’inversion d’un modèle linéaire reliant les données brutes de grande taille à la réflectivité du milieu, via un opérateur contenant les formes d’ondes ultrasonores. Un deuxième axe est basé sur la projection du modèle de données ultrasonores dans l’espace image via une technique de formation de voies. L’inversion du modèle résultant, de plus petite taille, est alors interprétée comme un problème de déconvolution à réponse impulsionnelle variable spatialement et à bruit coloré.
Un modèle interpolateur est proposé, permettant une inversion rapide. Un dernier axe de travail adapte ces méthodes à des milieux ayant des propriétés acoustiques complexes telles que l’atténuation fréquentielle et la dispersion, pour lesquels l’onde acoustique se déforme lors de sa propagation.
Les méthodes proposées sont évaluées sur des données synthétiques et appliquées à des exemples concrets de CND. Un pouvoir de résolution bien supérieur aux méthodes standard est obtenu, au prix d’une complexité calculatoire plus élevée.

Mots-clés : contrôle non-destructif, imagerie ultrasonore, problèmes inverses, focalisation en tout point, parcimonie

—————————————————————————————————————————————————————————————————————————————————————-
Abstract: The development of multi-element probes and continuous progress in electronics have favored the generalization of ultrasonic imaging methods for non destructive testing (NDT). In particular, the total focusing method is widely used due to its simplicity and real-time capability. Nevertheless, the resolution and contrast of the resulting images are limited due to the oscillating nature of the ultrasonic wave.
This work addresses ultrasonic imaging from an inverse problem perspective. Retrieving the reflectivity map from ultrasonic measurements acquired with band-limited transducers is an ill-posed problem. In this work, we develop inversion methods based on a regularization framework that enhances both the sparsity and the spatial smoothness of the reconstructed solution. Therefore, we assume that the reflectivity map is mainly homogeneous and possibly contains only few reflectors of small size. A first contribution describes the implementation and the inversion of a linear model that relates the raw, large-size, ultrasonic data to the reflectivity image, through a matrix containing the ultrasonic waveforms. A second contribution consists in projecting the previous model involving raw ultrasonic data in the space domain through a linear beamforming method. The size of the resulting model is therefore reduced, and its inversion can be interpreted as a deconvolution problem with a non stationary point spread function and colored noise. We hence propose an interpolation model in order to obtain a computationally efficient method. Finally, the last part of this work consists in applying the proposed methods to media with complex acoustic properties, such as frequency attenuation and dispersion, where the ultrasonic waveform is distorted during propagation.
These algorithms are applied to synthetic data and practical NDT cases and show superior resolving capabilities compared to standard methods, at the cost of higher computational complexity.

Keywords: non destructive testing, ultrasonic imaging, inverse problems, total focusing method, sparsity

Soutenance de thèse de Mickael Tardy (équipe SIMS)

Mickael Tardy, doctorant au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Apprentissage profond, Imagerie du sein, Classification, Segmentation, Supervision faible » / « Deep learning for computer-aided early diagnosis of breast cancer »

12 octobre 2021 à 8h30, dans l’amphi du bât. S sur le site de Centrale Nantes. La participation à distance est possible sur https://ec-nantes.zoom.us/j/96524720031  (mot de passe : .hQf3mFm)
Jury :
– Directeur de thèse : Diana Mateus
– Co-encadrant : NA
– Rapporteurs : Elsa Angelini (Senior Data Scientist,  ICL / Maitre de Conférences, Telecom Paris) ; Gustavo Carneiro (Professeur, The University of Adelaide),
– Autres membres : Sébastien Molière (Praticien hospitalier, CHU de Strasbourg) ; François Rousseau (Professeur, IMT Atlantique Bretagne-Pays de la Loire) ; Maria A. Zuluaga (Maître de Conférences, EURECOM) 
Résumé : Le cancer du sein est un des plus répandus chez la femme. Le dépistage systématique permet de baisser le taux de mortalité mais crée une charge de travail importante pour les professionnels de santé. Des outils d’aide au diagnostic sont conçus pour réduire ladite charge, mais un niveau de performance élevé est attendu. Les techniques d’apprentissage profond peuvent palier les limitations des algorithmes de traitement d’image traditionnel et apporter une véritable aide à la décision. Néanmoins, plusieurs verrous technologiques sont associés à l’apprentissage profond appliqué à l’imagerie du sein, tels que l’hétérogénéité et le déséquilibre de données, le manque d’annotations, ainsi que la haute résolution d’imagerie. Confrontés auxdits verrous, nous abordons la problématique d’aide au diagnostic de plusieurs angles et nous proposons plusieurs méthodes constituant un outil complet. Ainsi, nous proposons deux méthodes d’évaluation de densité du sein étant un des facteur de risque, une méthode de détection d’anormalités, une technique d’estimation d’incertitude d’un classifieur basé sur des réseaux neuronaux, et une méthode de transfert de connaissances depuis mammographie 2D vers l’imagerie de tomosynthèse. Nos méthodes contribuent notamment à l’état de l’art des méthodes d’apprentissage faible et ouvrent des nouvelles voies de recherche.
Mots-clés : Apprentissage profond, Imagerie du sein, Classification, Segmentation, Supervision faible
——————————————————————————————————————————————————————————————————————-
Abstract: Breast cancer has the highest incidence amongst women. Regular screening allows to reduce the mortality rate, but creates a heavy workload for clinicians. To reduce it, the computer-aided diagnosis tools are designed, but a high level of performances is expected. Deep learning techniques have a potential to overcome the limitations of the traditional image processing algorithms. Although several challenges come with the deep learning applied to breast imaging, including heterogeneous and unbalanced data, limited amount of annotations, and high resolution. Facing these challenges, we approach the problem from multiple angles and propose several methods integrated in complete solution. Hence, we propose two methods for the assessment of the breast density as one of the cancer development risk factors, a method for abnormality detection, a method for uncertainty estimation of a classifier, and a method of transfer knowledge from mammography to tomosynthesis. Our methods contribute to the state of the art of weakly supervised learning and open new paths for further research.
Keywords: Deep learning, Breast Imaging, Classification, Segmentation, Weak supervision

Félicitations aux équipes SIMS et STR pour leur best paper award remporté lors de la conférence Audio Mostly 2021 !

Vincent Lostanlen (CR CNRS, équipe SIMS), Antoine Bernabeu (doctorant, équipe STR (encadrants : M. Briday, S.Faucou, O. H. Roux), Jean-Luc Béchennec (CR CNRS, équipe STR), Mikaël Briday (MCF ECN, équipe STR), Sébastien Faucou (MCF UN, équipe STR) et Mathieu Lagrange (CR CNRS, équipe SIMS) ont eu le plaisir de voir leurs travaux communs récompensés à l’occasion de la conférence Audio Mostly 2021.

Plus précisément, l’équipe mixte SIMS / STR a déposé un papier présenté lors du 2ème workshop international sur l’Internet des sons (IWIS 2021), organisé par le Département d’ingénierie de l’information et d’informatique de l’Université de Trento (Italie) qui s’est tenu du 1er au 3 septembre 2021. L’Internet des Sons est un domaine de recherche émergent, à l’intersection des domaines de l’Internet des Objets et de l’Informatique du Son et de la Musique.

Vous pouvez retrouver le talk sur la chaîne Youtube de Vincent, et l’article intitulé « Energy Efficiency is Not Enough: Towards a Batteryless Internet of Sounds » sur HAL.

Soutenance de thèse de Diane MORNAS (équipe SIMS)

Diane Mornas, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Modélisation paramétrique de l’hyperémie fonctionnelle en IRMf ASL comme un mélange de sources » / « Parametric modelling of functional hyperaemia in fMRI ASL as a mixture of sources »

jeudi 1er juillet 2021 à 14h, à l’Ecole Centrale de Nantes (si les conditions le permettent).

Jury :
– Directeur de thèse : Jérôme Idier (Directeur de Recherche CNRS, LS2N, Nantes)
– Co-encadrant : Clément Huneau (Maître de conférences, Université de Nantes, LS2N, Nantes)
– Rapporteurs : Jean Daunizeau (Chargé de Recherche INSERM, Institut du Cerveau, Paris) ; Jean-François Giovannelli (Professeur des Universités, Université de Bordeaux, IMS, Bordeaux)
– Autres membres : Sylvie Lorthois (Directrice de Recherche CNRS, IMFT, Toulouse) ; Mélanie Pélégrini-Issac (Ingénieure de Recherche INSERM, LIB, Paris)

Résumé : L’activité neuronale engendre par vasodilatation des petits vaisseaux sanguins cérébraux une augmentation de volume et de débit sanguin cérébral. C’est le phénomène de l’hyperémie fonctionnelle qui est induit par le couplage neurovasculaire. L’hyperémie fonctionnelle est directement observable avec la technique d’imagerie d’IRMf ASL.
Une altération de l’hyperémie fonctionnelle a été observée dans certaines maladies neurodégénératives comme l’artériopathie CADASIL.
L’objectif de cette thèse est de proposer une modélisation de l’hyperémie fonctionnelle mesurée dans un voxel d’IRMf ASL ainsi qu’une méthode adaptée à son identification. Nous proposons le modèle paramétrique Fast-Slow. Il modélise une réponse en débit à une stimulation neuronale comme étant induite par deux mécanismes vasodilatateurs « rapide » et « lent », temporellement et spatialement distincts. Ce modèle dépend de paramètres dynamiques caractérisant la forme des réponses des deux mécanismes par région cérébrale et de paramètres caractérisant la contribution des deux mécanismes par voxel. Dans un premier temps, nous avons élaboré et validé plusieurs stratégies d’estimation adaptées au problème d’identification du modèle paramétrique à partir de données simulées de débit relatif. Dans un second temps, à partir de la meilleure stratégie nous avons validé l’utilisation du modèle sur des données réelles d’IRMf ASL mesurées chez des patients CADASIL et des sujets Contrôles dans le but de différencier les données de ces deux groupes. Le modèle Fast-Slow permet aussi de construire des cartes de distributions spatiales des paramètres voxéliques. Cette thèse montre que notre modèle permet d’extraire des informations spatiales et temporelles à partir des données IRMf ASL dans le but d’améliorer la compréhension du couplage neurovasculaire.

Mots-clés : Couplage neurovasculaire, IRMf ASL, débit sanguin cérébral, modélisation, identification paramétrique

——————————————————————————————————————————————————————————————————————-

Abstract: Neural activity leads to an increase in cerebral blood volume and flow by vasodilatation of the small cerebral blood vessels. This is the phenomenon of functional hyperaemia, which is induced by neurovascular coupling. Functional hyperaemia is directly measurable with the ASL fMRI imaging technique.
Impaired functional hyperemia has been observed in some neurodegenerative diseases such as CADASIL arteriopathy.
The aim of this thesis is to propose a model of the functional hyperaemia measured in an ASL fMRI voxel and a suitable method to its identification. We propose the Fast-Slow parametric model. It models a flow response to neuronal stimulation as being induced by two temporally and spatially distinct « fast » and « slow » vasodilatory mechanisms. This model depends on dynamic parameters characterising the shape of the response for each mechanism per brain region and on parameters characterising the contribution of the two mechanisms per voxel. In a first step, we developed and validated several estimation strategies adapted to the problem of identifying the parametric model from simulated relative flow data. In a second step, based on the best strategy, we validated the use of the model on real ASL fMRI data measured in CADASIL patients and Control subjects in order to differentiate the data of these two groups. The Fast-Slow model also allows the construction of maps of spatial distributions of voxel parameters. This thesis shows that our model allows the extraction of spatial and temporal information from ASL fMRI data in order to improve the understanding of neurovascular coupling.

Keywords: Neurovascular coupling, ASL fMRI, cerebral blood flow, modeling, parametric identification

Soutenance de thèse de Diane MORNAS (équipe SIMS)

Diane Mornas, ancienne doctorante de l’équipe SIMS, a soutenu sa thèse intitulée « Modélisation paramétrique de l’hyperémie fonctionnelle en IRMf ASL comme un mélange de sources »
jeudi 1er juillet 2021 à 14h en mixte présentiel à Centrale et visio.

Jury :
– Rapporteurs : Jean DAUNIZEAU, Chargé de Recherche INSERM, Institut du Cerveau, Paris ; Jean-François GIOVANNELLI, Professeur des Universités, IMS, Bordeaux
– Examinatrices: Sylvie LORTHOIS, Directrice de Recherche CNRS, IMFT, Toulouse ; Mélanie PELEGRINI-ISSAC, Docteur Ingénieur de Recherche INSERM, LIB, Paris
– Directeur et co-encadrant : Jérôme IDIER, Directeur de Recherche CNRS, LS2N ; Clément HUNEAU, Maître de Conférences, Université de Nantes, LS2N

Résumé : L’activité neuronale engendre  par vasodilatation des petits vaisseaux sanguins cérébraux une augmentation de volume et de débit sanguin cérébral. C’est le phénomène de l’hyperémie fonctionnelle qui est induit par le couplage neurovasculaire. L’hyperémie fonctionnelle est directement observable avec la technique d’imagerie d’IRMf ASL.
Une altération de l’hyperémie fonctionnelle a été observée dans certaines maladies neurodégénératives comme l’artériopathie CADASIL.
L’objectif de cette thèse est de proposer une modélisation de l’hyperémie fonctionnelle mesurée dans un voxel d’IRMf ASL ainsi qu’une méthode adaptée à son identification. Nous proposons le modèle paramétrique Fast-Slow. Il modélise une réponse en débit à une stimulation neuronale comme étant induite par deux mécanismes vasodilatateurs « rapide » et « lent », temporellement et spatialement distincts. Ce modèle dépend de paramètres dynamiques caractérisant la forme des réponses des deux mécanismes par région cérébrale et de paramètres caractérisant la contribution des deux mécanismes par voxel. Dans un premier temps, nous avons élaboré et validé plusieurs stratégies d’estimation adaptées au problème d’identification du modèle paramétrique à partir de données simulées de débit relatif. Dans un second temps, à partir de la meilleure stratégie nous avons validé l’utilisation du modèle sur des données réelles d’IRMf ASL mesurées chez des patients CADASIL et des sujets Contrôles dans le but de différencier les données de ces deux groupes. Le modèle Fast-Slow permet aussi de construire des cartes de distributions spatiales des paramètres voxéliques. Cette thèse montre que notre modèle permet d’extraire des informations spatiales et temporelles à partir des données IRMf ASL dans le but d’améliorer la compréhension du couplage neurovasculaire.

Mots-clés : Couplage neurovasculaire, IRMf ASL, débit sanguin cérébral, modélisation, identification paramétrique

——————————————————————————————————————————————————————————————————————-

Abstract: Neural activity leads to an increase in cerebral blood volume and flow by vasodilatation of the small cerebral blood vessels. This is the phenomenon of functional hyperaemia, which is induced by neurovascular coupling. Functional hyperaemia is directly measurable with the ASL fMRI imaging technique.
Impaired functional hyperemia has been observed in some neurodegenerative diseases such as CADASIL arteriopathy.
The aim of this thesis is to propose a model of the functional hyperaemia measured in an ASL fMRI voxel and a suitable method to its identification. We propose the Fast-Slow parametric model. It models a flow response to neuronal stimulation as being induced by two temporally and spatially distinct « fast » and « slow » vasodilatory mechanisms. This model depends on dynamic parameters characterising the shape of the response for each mechanism per brain region and on parameters characterising the contribution of the two mechanisms per voxel. In a first step, we developed and validated several estimation strategies adapted to the problem of identifying the parametric model from simulated relative flow data. In a second step, based on the best strategy, we validated the use of the model on real ASL fMRI data measured in CADASIL patients and Control subjects in order to differentiate the data of these two groups. The Fast-Slow model also allows the construction of maps of spatial distributions of voxel parameters. This thesis shows that our model allows the extraction of spatial and temporal information from ASL fMRI data in order to improve the understanding of neurovascular coupling.

Keywords: Neurovascular coupling, ASL fMRI, cerebral blood flow, modeling, parametric identification

Soutenance de thèse d’Olivier BORDRON (équipe SIMS)

Olivier Bordron, doctorant de l’équipe SIMS, soutiendra sa thèse intitulée « Influence d’une orthèse de genou sur le mouvement humain«  / « Influence of a knee orthosis on human motion »

mardi 30 mars 2021 à 9h.

Direct sur Zoom (ID de réunion : 977 2911 0344 / Code secret : %at$S*3N)

Jury :

  • Rapporteurs : Laurence CHÈZE, Professeur des universités, Université, Claude Bernard Lyon 1 ; Frédéric MARIN, Professeur des universités, Université de Technologie de Compiègne
  • Examinateurs : Samer MOHAMMED, Professeur des universités, Université Paris-Est Créteil ; Véronique MARCHAND, Directrice de recherche INSERM, Sorbonne Université, Valérie RENAUDIN Directrice de recherche, Université Gustave Eiffel
  • Directeur de thèse : Yannick AOUSTIN, Professeur des universités, Université de Nantes
  • Co-encadrants de thèse : Clément HUNEAU, Maître de conférences, Université de Nantes ; Éric LE CARPENTIER, Maître de conférences, École Centrale de Nantes
  • Membre invité : Christine CHEVALLEREAU, Directrice de recherche CNRS, Laboratoire des Sciences du Numérique de Nantes

Résumé : Avec le vieillissement de la population, la sédentarité, l’augmentation des accidents vasculaires cérébraux et autres déficiences motrices, la mobilité est un enjeu mondial primordial. À ce problème, les exosquelettes et les orthèses constituent une réponse technologique possible. Une orthèse est un système pluridisciplinaire qui doit s’adapter au corps de l’utilisateur pour l’assister dans son mouvement. De par sa nature complexe, elle impose à l’utilisateur des contraintes physiques, technologiques et liées à la commande. Les  matériaux utilisés, la géométrie, la chaîne de puissance, la chaîne d’information, la morphologie de l’être humain et la nature du mouvement sont autant d’éléments qui influent sur la nature et l’amplitude des contraintes. Si celles-ci sont trop importantes, l’utilisateur va devoir s’adapter et modifier sa démarche en conséquence. Pour prévoir les contraintes physiques appliquées par une orthèse de genou sur un individu au cours d’un mouvement cyclique tel que le squat ou la marche, un simulateur a été développé. Il permet de générer des trajectoires optimales au sens d’une fonction de coût et de calculer les couples articulaires nécessaires à la réalisation du mouvement. Une étude expérimentale a été menée sur plusieurs sujets pour comprendre comment le poids se répartit au cours d’un mouvement de squat. Fondé sur ces résultats, un modèle de répartition des efforts a été proposé.

Mots-clés : orthèse, exosquelette, squat, capture de mouvement, modèle dynamique


Abstract: With an aging population, sedentary lifestyles, an increase in strokes and other motor deficiencies, mobility is a global concern of paramount importance. To this problem, exoskeletons and orthoses are one possible technological solution. An orthosis is a multidisciplinary system that must adapt to the user’s body to assist him in his motion. Due to its complex design, it involves physical, technological and control constraints on the user. The materials used, the shape, the information and power chain, the human morphology and the motion are all factors that influence the type and amplitude of the constraints. If these constraints are too important, the user will have to adapt and modify his gait consequently. To predict the physical constraints applied by a knee orthosis on a human being during a cyclic motion such as squatting or walking, a simulator has been developed. It enables the generation of optimal trajectories in accordance with a cost function and the computation of the joint torques required to achieve the motion. An experimental study was conducted on several subjects to understand how weight is distributed during a squat motion. Based on these results, a model for the forces distribution was proposed.

Keywords: orthosis, exoskeleton, squat motion, motion capture, dynamic model

Copyright : LS2N 2017 - Mentions Légales - 
 -