Anomaly characterization in the MRI data of 'de novo' Parkinson patients - TEL - Thèses en ligne Access content directly
Theses Year : 2020

Anomaly characterization in the MRI data of 'de novo' Parkinson patients

Caractérisation d'anomalies sur les données IRM des patients Parkinsoniens 'de novo'

Abstract

Parkinson’s disease (PD) is a progressive disorder of the nervous system characterized by the degeneration of dopaminergic neurons found in the substantia nigra. In general, the diagnosis occurs once the patients start experiencing the well-known motor symptoms of this disease, namely stiffness, akinesia and resting tremor. By this moment, it is estimated that 60 to 80% of the dopamine-producing neurons have already been lost or impaired.However, as the loss of these neurons disrupts the functioning of the subcortical structures, many non-motor symptoms such as visual and olfactory disturbances, mood disorders, or changes in cerebral perfusion occur earlier in the pathology.In this context, our project aims to find specific signatures in the newly diagnosed Parkinson’s patients that can lead to earlier diagnosis and the classification of patients into sub-types for more tailored treatments to slow down the disease process.To reach this objective, we have explored three different approaches. Firstly, we searched for morphometric changes in structural data using popular techniques such as VBM, DBM and SBM. Secondly, we conceived a deep-learning methodology to detect brain diffusion anomalies employing reconstruction errors of a trained auto-encoder. Finally, we developed an original statistical approach based on mixture models generated from Student distribution laws to construct a reference control model from multi-modal quantitative data of “normality” and to classify the abnormalities present in our patients.
La maladie de Parkinson est un trouble progressif du système nerveux caractérisé par la dégénérescence des neurones dopaminergiques trouvés dans la substantia nigra. En général, le diagnostic est posé par le neurologue lorsque les patients commencent à ressentir les symptômes moteurs bien connus de cette maladie, à savoir la raideur, l’akinésie et les tremblements au repos. À ce stade, on estime que 60 à 80% des neurones producteurs de dopamine ont déjà été perdus ou altérés.Cependant, comme la perte de ces neurones perturbe le fonctionnement des structures sous-corticales, de nombreux symptômes non moteurs tels que des troubles visuels et olfactifs, des troubles de l’humeur ou des modifications de la perfusion cérébrale peuvent apparaitre à un stade plus précoce de la pathologie.Dans ce contexte, notre projet vise à révéler des anomalies spécifiques chez les patients Parkinsoniens nouvellement diagnostiqués qui pourraient conduire à un diagnostic plus précoce et à un sous-typage des patients pour définir un traitement plus personnalisé et ralentir la progression de la maladie.Pour atteindre cet objectif, nous avons exploré trois approches différentes. Premièrement, nous avons recherché des changements morphométriques dans les données structurelles en utilisant des techniques standard telles que VBM, DBM et SBM. Deuxièmement, nous avons conçu une méthodologie à base d’apprentissage profond pour détecter les anomalies cérébrales dans les IRM de diffusion. Enfin, nous avons développé une approche statistique originale basée sur des modèles de mélange générés à partir des lois de distribution de Student. Cela nous permet de pour construire un modèle de normalité à partir de données quantitatives multimodales de sujets sains, pour ensuite détecter les anomalies présentes chez nos patients.
Fichier principal
Vignette du fichier
MUNOZ_RAMIREZ_2020_archivage.pdf (15.18 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03247318 , version 1 (01-03-2021)
tel-03247318 , version 2 (03-06-2021)

Identifiers

  • HAL Id : tel-03247318 , version 2

Cite

Verónica Muñoz Ramírez. Anomaly characterization in the MRI data of 'de novo' Parkinson patients. Human-Computer Interaction [cs.HC]. Université Grenoble Alpes [2020-..], 2020. English. ⟨NNT : 2020GRALS030⟩. ⟨tel-03247318v2⟩
264 View
114 Download

Share

Gmail Facebook X LinkedIn More