Structural and microstructural neuroimaging for diagnosis and tracking of neurodegenerative diseases - TEL - Thèses en ligne Access content directly
Theses Year : 2019

Structural and microstructural neuroimaging for diagnosis and tracking of neurodegenerative diseases

Neuroimagerie structurel et microstructurel pour le diagnostic et le suivi de maladies neurodegeneratives

Abstract

Biomarker identification and tracking in dementia are essential to better under- stand the pathological mechanism and disease trajectory. For this purpose, vari- ous types of data, including cognitive and clinical tests, neuroimaging and fluid biomarkers, have been used. Another challenge is early diagnosis of dementia. It is of great importance to diagnose patients in an early stage at which brain damage is not yet severe and may be reversible. Tracking and diagnosis at an early stage ultimately ensures a proper care of patients, and monitoring of disease-modifying therapeutic treatment. The current PhD aims has two main objectives. First, we aim to identify the most promising biomarkers at the presymptomatic stage of dementia. More specif- ically, we studied this in the case of genetic frontotemporal lobar degeneration (FTLD) due to C9orf72 mutation. The second objective is to advance early diag- nosis and prognosis by using machine learning (ML) methods with magnetic res- onance imaging (MRI) data. We tackle this in the context of sporadic Alzheimer’s disease (AD). According to these two objectives, the thesis consists of two main parts, each part comprising two studies. In the first study, biomarkers were identified from conventional T1-weighted MRI and diffusion tensor imaging (DTI) model. The second study compared the sensitivity and specificity of the advanced Neurite Orientation Dispersion and Density Imaging (NODDI) model and to that of con- ventional techniques, namely T1-weighted MRI and DTI. The second part focuses on early diagnosis of AD and comprises the last two studies. The third study pro- poses an open source framework for reproducible evaluation of AD classification using diffusion MRI and conventional ML methods. The last study extends this framework to deep learning methods and demonstrates its use on T1-weighted MRI. Generally, we aim to improve the transparency and reproducibility in the field, including clarifying the bad practices, sharing the tools and source code for reproducible research and rigorously comparing different approaches.
L’identification et le suivi de biomarqueur de la démence sont essentiels pour mieux comprendre les mécanismes pathologiques et la trajectoire de la maladie. À cette fin, divers types de données, tests cognitifs et cliniques, neuroimagerie et biomarqueurs des fluides périphériques, ont été utilisés. Le diagnostic précoce de la démence constitue un autre défi. Il est très important de diagnostiquer les patients à un stade précoce auquel les lésions cérébrales ne sont pas encore sévères et peuvent être réversibles. Le suivi et le diagnostic à un stade précoce permettent une prise en charge adéquate des patients et de mesurer l’efficacité de nouveaux traitements. Cette thèse a deux objectifs principaux. Premièrement, nous cherchons à iden- tifier les biomarqueurs les plus prometteurs au stade présymptomatique de la dé- mence. Plus spécifiquement, nous avons étudié ce phénomène dans le cas de la dégénérescence lobaire frontotemporale (FTLD) due à la mutation C9orf72. Le deuxième objectif est de faire progresser le diagnostic et le pronostic précoces en utilisant des méthodes d’apprentissage machine et des données d’imagerie par ré- sonance magnétique (IRM). Nous abordons cette question dans le contexte de la maladie d’Alzheimer sporadique (MA). Suivant ces deux objectifs, la thèse se compose de deux parties principales, chaque partie comprenant deux études. Dans la première étude, les biomarqueurs ont été identifiés à partir de l’IRM conventionnelle pondérée T1 et du modèle d’imagerie du tenseur de diffusion (DTI). La deuxième étude a comparé la sen- sibilité et la spécificité du modèle NODDI (Advanced Neurite Orientation Dis- persion and Density Imaging) et celle de techniques conventionnelles, à savoir l’IRM pondérée en T1 et le DTI. La deuxième partie porte sur le diagnostic pré- coce de la MA et comprend les deux dernières études. La troisième étude propose un cadre open source pour une évaluation reproductible de la classification de la MA à l’aide de l’IRM de diffusion et des méthodes classiques d’apprentissage. La dernière étude étend ce cadre aux méthodes d’apprentissage profond et démontre son utilisation sur l’IRM pondérée en T1. Généralement, nous visons à améliorer la transparence et la reproductibilité de ces recherches, notamment en mettant en év- idence les mauvaises pratiques, en partageant les outils et le code source pour une recherche reproductible et en comparant rigoureusement différentes approches.
Fichier principal
Vignette du fichier
Dissertation_Junhao_WEN_2019.pdf (12.69 Mo) Télécharger le fichier
Origin Files produced by the author(s)
Loading...

Dates and versions

tel-02425625 , version 1 (30-12-2019)
tel-02425625 , version 2 (17-11-2020)

Identifiers

  • HAL Id : tel-02425625 , version 1

Cite

Junhao Wen​. Structural and microstructural neuroimaging for diagnosis and tracking of neurodegenerative diseases. Artificial Intelligence [cs.AI]. Sorbonne Universites, UPMC University of Paris 6, 2019. English. ⟨NNT : ⟩. ⟨tel-02425625v1⟩
445 View
88 Download

Share

Gmail Mastodon Facebook X LinkedIn More