Detection and characterisation of pli-de-passages on the cortical surface : from morphology to connectivity
Détection et caractérisation des plis-de-passage sur la surface du cortex cérébral : de la morphologie à la connectivité
Résumé
The surface of the cerebral cortex is very convoluted, with a large number of folds, the cortical sulci. Moreover, these folds are extremely variable from one individual to another. This great variability is a problem for many applications in neuroscience and brain imaging. One central problem is that cerebral sulci are not the good unit to describe folding over the cortical surface. In particular, their geometry (shape) and topology (branches, number of pieces) are very variable. “Plis de passages” (PPs) or “annectant gyri” can explain part of the variability. The concept of PPs was first introduced by Gratiolet (1854) to describe transverse gyri that interconnect both sides of a sulcus, are frequently buried in the depth of these sulci, and are sometimes apparent on the cortical surface. As an interesting feature of the cortical folding process, the underlying structural connectivity of PPs also generated a lot of interest. However, the difficulty of identifying PPs and the lack of systematic methods to automatically detecting them limited their use. This thesis aims to detect and characterise the PPs on the cortical surface from both morphology and connectivity aspects. It was structured around two main research axes: 1. Definition of a machine learning-based PPs detection process using their geometrical (or morphological) characteristics. 2. Investigate the relationships between PPs and their un- derlying structural connectivity, and further development of multi-modal machine learning models. In the first part, we present a method to detect the PPs on the cortex automatically according to the local morphological characteristics proposed in (Bodin et al., 2021), To record the local morphological patterns for each vertex on the cortical surface, we used the cortical surface profiling method (Li et al., 2010). After that, the three-dimensional PP recognition problem is converted to a two-dimensional image classification problem of class-imbalance where more points in the STS are non-PPs than PPs. To solve this case, we propose an ensemble SVM model (EnsSVM) with a rebalancing strategy. Experimental results and quantitative statistics analyses show the effectiveness and robustness of our method. In the second part, we study the structural connectivity, particularly short-range U-fibers, underlying the location of PPs, and propose a new approach to study the density of U-fiber terminations on the cortical surface. We hypothesize that the PPs are located in regions of high density of intercrossing U-fibers termination. Indeed, our statistical analyses show a robustness correlation between PPs and U-fibers termination density. Moreover, we discuss the impact of connectivity heterogeneity in the STS on the machine learning results, and the myelin map is then used as a supplement to the structural connectivity.
La surface du cortex cérébral est très convoluée, avec un grand nombre de plis, les sillons corticaux. Ces plis sont extrêmement variables d'un individu à l'autre. Cette grande variabilité constitue un problème pour de nombreuses applications en neurosciences et en imagerie cérébrale. Un problème central est que les sillons cérébraux ne sont pas la bonne unité pour décrire les plis sur la surface corticale. En particulier, leur géométrie (forme) et leur topologie (branches, nombre de pièces) sont très variables. Les "Plis de passages" (PPs) peuvent expliquer une partie de cette variabilité. Le concept de PPs a été introduit pour la première fois par Gratiolet (1854) pour décrire les gyri transversaux qui interconnectent les deux côtés d'un sillon, sont fréquemment enfouis dans la profondeur de ces sillons, et sont parfois apparents sur la surface corticale. En tant que caractéristique intéressante du processus de plissement cortical, la connectivité structurelle sous-jacente des PP a également suscité beaucoup d'intérêt.Cependant, la difficulté d'identifier les PPs et le manque de méthodes systématiques pour les détecter automatiquement ont limité leur utilisation. Cette thèse vise à détecter et à caractériser les PPs sur la surface corticale tant du point de vue de la morphologie que de la connectivité. Elle s'articule autour de deux axes de recherche principaux : 1. Définition d'un processus de détection des PPs basé sur l'apprentissage automatique et utilisant leurs caractéristiques géométriques (ou morphologiques).2. Étudier les relations entre les PP et leur connectivité structurelle sous-jacente, et poursuivre le développement de modèles d'apprentissage automatique multimodaux. Dans la première partie, nous présentons une méthode de détection automatique des PP sur le cortex en fonction des caractéristiques morphologiques locales proposées dans (Bodin et al., 2021). Pour enregistrer les caractéristiques morphologiques locales de chaque sommet de la surface corticale, nous avons utilisé la méthode de profilage de la surface corticale (Li et al., 2010). Ensuite, le problème de reconnaissance tridimensionnelle des PP est converti en un problème de classification d'image bidimensionnelle avec un déséquilibre de classe où plus de points dans le STS sont des non-PP que des PP. Pour résoudre ce cas, nous proposons un modèle “Ensemble SVM” (EnsSVM) avec une stratégie de rééquilibrage. Les résultats expérimentaux et les analyses statistiques quantitatives montrent l'efficacité et la robustesse de notre méthode. Dans la deuxième partie, nous étudions la connectivité structurelle, en particulier les fibres U à courte portée, qui sous-tend la localisation des PPs, et proposons une nouvelle approche pour étudier la densité des terminaisons des fibres U sur la surface corticale. Nous émettons l'hypothèse que les PPs sont situés dans des régions de haute densité de terminaisons de fibres U croisées. En effet, nos analyses statistiques montrent une corrélation de robustesse entre les PPs et la densité de terminaisons des fibres U. De plus, nous discutons de l'impact de l'hétérogénéité de la connectivité dans le STS sur les résultats de l'apprentissage automatique. Enfin, nous investiguons l'utilisation de cartes de myéline comme un complément à la connectivité structurelle.
| Origine | Version validée par le jury (STAR) |
|---|