Large-scale simulation and deep learning of diffusion MRI signatures for the development of computational models of cerebral white matter ultrastructure
Simulation à large échelle et apprentissage profond de la signature en IRM de diffusion pour le développement de modèles computationnels de l'ultrastructure de la substance blanche cérébrale
Résumé
The MEDUSA (Microstructure Environment Designer Using Sphere Atoms) simulator is used to synthesise realistic virtual tissues that mimic the human brain cell environment on a microscopic scale, while simulating the Brownian motion of water linked to the diffusion process in order to acquire the attenuation of the resulting diffusion MRI signal. Thanks to its computational optimisation, the MEDUSA simulator can be used to create a database of samples characterised by the parameters governing the geometry of the cell microstructure and its diffusion-weighted MRI imprint. This database, combined with the major contribution of artificial intelligence techniques, particularly for supervised learning of large datasets (or Big Data), opens up new prospects for the development of in vivo imaging methods for the cytoarchitecture of the cortex, as it becomes possible to exploit the microscopic information embedded in the Brownian motion of the water molecules present in the brain, whose trajectories carry a signature of the local cytoarchitecture of the tissue, which it then becomes possible to decode using deep learning methods. Initial results have shown that this environment enables the development of computational models that are much more robust than the analytical models commonly used to decode the local cytoarchitecture of brain tissue. The aim of the proposed thesis topic is therefore to use the Ginkgo/MEDUSA software platform to set up large-scale simulation campaigns on the Très Grand Centre de Calcul (TGCC, Bruyères-le-Châtel) to develop a robust computational model for decoding axonal microarchitecture within cerebral white matter.
Le simulateur MEDUSA (Microstructure Environment Designer Using Sphere Atoms) permet la synthèse de tissus virtuels réalistes imitant l'environnement cellulaires cérébral humain à l'échelle microscopique tout en y simulant le mouvement Brownien de l'eau lié au processus de diffusion afin d'acquérir l'atténuation du signal d'IRM de diffusion qui en résulte. Grâce à son optimisation computationnelle, le simulateur MEDUSA permet la création d'une base de donnée constituée d'échantillons caractérisé d'une part par les paramètres régissant la géométrie de la microstructure cellulaire et d'autre part de son empreinte en IRM pondérée en diffusion. Cette base de donnée, associé à l'apport majeur des techniques d'intelligence artificielle notamment pour l'apprentissage supervisé des grands jeux de données (ou Big Data) ouvre de nouvelles perspectives quant au développement de méthodes d'imagerie in vivo de la cytoarchitecture du cortex puisqu'il devient envisageable d'exploiter l'information microscopique embarquée dans le mouvement Brownien des molécules d'eau présentes dans le cerveau et dont les trajectoires embarquent une empreinte de la cytoarchitecture locale du tissu qu'il devient alors possible de décoder à l'aide de méthodes d'apprentissage profond. De premiers résultats ont démontrés que cet environnement permettait le développement de modèles computationnels bien plus robustes que les modèles analytiques couramment utilisés pour décoder la cytoarchitecture locale du tissu cérébral. Le sujet du sujet de thèse proposé vise donc à la mise en place, grâce à la plateforme logicielle Ginkgo/MEDUSA, de larges campagnes de simulation sur le Très Grand Centre de Calcul (TGCC, Bruyères-le-Châtel) pour élaborer un modèle computationnel robuste de décodage de la micro architecture axonal au sein de la substance blanche cérébrale.
| Origine | Version validée par le jury (STAR) |
|---|