Development of AI methods for deep learning of the MRI signature of the cortex cytoarchitecture with diffusion MRI
Développement de méthodes d'IA pour l'apprentissage profond de la signature en IRM de diffusion de la cytoarchitecture du cortex cérébral
Résumé
Diffusion MRI provides an invaluable tool to study the brain's microstructure non-invasively. Since diffusion MRI is sensitized to the diffusion process, it allows to indirectly gain information about the diffusion medium, therefore offering an interesting approach to characterizing brain tissues. In the last two decades, an important body of research within the diffusion MRI community aimed at decoding microstructure: estimating cell-related features such as average cell diameters and density from diffusion MRI signals. The proposed scientific methods can be broadly separated into two classes: analytical and computational models. The first class of methods relies on analytical models of restricted diffusion in simple geometries to estimate microstructural parameters. Despite their simplicity, analytical models rely on oversimplistic hypotheses about brain microstructure, such modeling axons as perfect cylinders, or soma shape as spheres. In contrast, the computational approach offers a more flexible alternative that allows to model complex microstructures beyond simple cylinders and spheres. However, this flexibility comes at an expensive computational cost. This work fall within the computational approach and aims at improving on gray matter synthetic microstructure generation methods and addressing the scalability of the computational approach. This work leverages realistic neurons reconstructed with electron microscopy and novel geometric representations to generate realistic gray matter virtual microstructure substrates. It proposes a new scheme to efficiently simulate the dMRI process and perform large-scale simulations.
L'IRM de diffusion est un outil précieux pour étudier la microstructure du cerveau de manière non invasive. Comme l'IRM de diffusion est sensible au processus de diffusion, il permet d'obtenir indirectement des informations sur le milieu de diffusion, offrant ainsi une approche intéressante pour caractériser les tissus cérébraux. Au cours des deux dernières décennies, un important corpus de recherche au sein de la communauté de l'IRM de diffusion a visé à décoder la microstructure : estimer les caractéristiques liées aux cellules, telles que le diamètre moyen et la densité des cellules, à partir des signaux de l'IRM de diffusion. Les méthodes scientifiques proposées peuvent être classées en deux catégories : les modèles analytiques et les modèles computationnels. La première approche repose sur des modèles analytiques de diffusion restreinte dans des géométries simples pour estimer les paramètres de la microstructure. Malgré leur simplicité, les modèles analytiques reposent sur des hypothèses trop simplistes concernant la microstructure du cerveau, comme la modélisation des axones en tant que cylindres parfaits ou la forme du soma en tant que sphères. En revanche, l'approche computationnelle offre une alternative plus flexible qui permet de modéliser des microstructures complexes au-delà des simples cylindres et sphères. Toutefois, cette flexibilité s'accompagne d'un coût de calcul élevé. Ce travail s'inscrit dans l'approche computationnelle et vise à améliorer les méthodes de génération de microstructures synthétiques de matière grise et à aborder la question de l'extensibilité de l'approche informatique. Ce travail s'appuie sur des neurones réalistes reconstruits par microscopie électronique et sur de nouvelles représentations géométriques pour générer des échantillons de microstructures virtuelles de matière grise réalistes. Un nouveau schéma de simulation du processus d'IRM de diffusion est présenté, suivi d'une étude se basant sur la réalisation d'une campagne de simulations à grande échelle.
Origine | Version validée par le jury (STAR) |
---|