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 structurelle et microstructurelle pour le diagnostic et le suivi de maladies neurodégénératives

Abstract

Biomarker identification and tracking in dementia are essential to better understand the pathological mechanism and disease trajectory. The current PhD aims has two main objectives. First, we aim to identify the most promising biomarkers at the presymptomatic stage of dementia. More specifically, we studied this in the case of genetic frontotemporal lobar degeneration due to C9orf72 mutation. The second objective is to advance early diagnosis and prognosis by using machine learning methods with magnetic resonance imaging data. We tackle this in the context of sporadic Alzheimer’s disease. 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 model. The second study compared the sensitivity and specificity of the advanced NODDI model and to that of conventional 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 proposes 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.
L’identification et le suivi de biomarqueur de la démence sont essentiels pour mieux comprendre les mécanismes pathologiques et la trajectoire de la maladie. Le diagnostic précoce de la démence constitue un autre défi. Cette thèse a deux objectifs principaux. Premièrement, nous cherchons à identifier les biomarqueurs les plus prometteurs au stade présymptomatique de la démence. Plus spécifiquement, nous avons étudié ce phénomène dans le cas de la dégénérescence lobaire frontotemporale 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 résonance magnétique. Nous abordons cette question dans le contexte de la maladie d’Alzheimer sporadique. 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. La deuxième étude a comparé la sensibilité et la spécificité du modèle NODDI et celle de techniques conventionnelles, à savoir l’IRM pondérée en T1 et le DTI. La deuxième partie porte sur le diagnostic précoce 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.
Fichier principal
Vignette du fichier
WENG_Junhao_2019.pdf (49.24 Mo) Télécharger le fichier
Origin Version validated by the jury (STAR)
Loading...

Dates and versions

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

Identifiers

  • HAL Id : tel-02425625 , version 2

Cite

Junhao Wen. Structural and microstructural neuroimaging for diagnosis and tracking of neurodegenerative diseases. Medical Imaging. Sorbonne Université, 2019. English. ⟨NNT : 2019SORUS415⟩. ⟨tel-02425625v2⟩
452 View
90 Download

Share

Gmail Mastodon Facebook X LinkedIn More