L’identification de biomarqueurs précoces permettant de prédire l’évolution de maladies psychiatriques et neurodégénératives ainsi que la réponse au traitement demeure un défi clinique majeur. Les récents progrès des techniques non invasives d’estimation des réseaux cérébraux, comme l’imagerie par résonance magnétique fonctionnelle (IRMf), et l’IRM de diffusion (IRMd) permettent d’envisager de relever ce challenge en étudiant les modifications cérébrales engendrées par la maladie. En effet, l’IRMd et la tractographie permet d’estimer les fibres neuronales du cerveau et donc une carte complexe des connections cérébrales, nommée connectome [1]. De plus, l’IRMf permet de mesurer l’activité cérébrales spontanée [2]. Au cours de la dernière décennie, la modélisation mathématique, et notamment la théorie des graphes, a joué un rôle important dans l’analyse de l’organisation cérébrale structurelle et fonctionnelle dans de nombreuses pathologies [3]. Plus récemment, le traitement de signaux sur graphe (TSG), domaine émergent du traitement de signal, offrent de nouvelles orientations et des perspectives sans précédent en permettant l’analyse conjointe de l’activité fonctionnelle et du connectome structurel sous-jacent [4]. En effet, au lieu de s’intéresser uniquement à la structure du graphe construit à partir des données d’IRMd, le TSG prend aussi en compte les signaux d’IRMf définis sur le graphe. Un opérateur TSG de filtrage basé sur l’analyse spectrale sur graphe est utilisé pour décrire le couplage entre la structure et la fonction [5] et a aussi permis la mise en évidence de nouveaux biomarqueurs robustes de l’anxiété [6].
Le premier objectif de cette thèse consistera à développer de nouveaux opérateurs de filtrage sur graphe dans le but de sélectionner des informations sur le couplage structure/fonction, spécifiques à certaines pathologies [7]. Le second objectif sera de développer des méthodes statistiques d’apprentissage semi-supervisé sur graphe dans le but d’identifier des biomarqueurs robustes de l’évolution de maladies psychiatriques et neurodégénératives. Les techniques d’apprentissage automatique classiques sont très utilisées dans le domaine de la connectivité mais ne prennent pas en compte la structure de graphe. Cependant, les approches par réseaux de neurones convolutionnels spécifiques pour les graphes développées très récemment peuvent être utilisées pour combiner les métriques issues du TSG et l’apprentissage automatique [8]. Ces approches seront testées sur une cohorte de patients atteints de dépression, pour définir des biomarqueurs de l’évolution des symptômes ainsi de la résistance aux traitements.
[1] Hagmann, P., Cammoun, L., Gigandet, X., Meuli, R., Honey, C. J., Wedeen, V. J., & Sporns, O. (2008). Mapping the structural core of human cerebral cortex. PLoS biology, 6(7), e159.
[2] Fox, M. D., & Raichle, M. E. (2007). Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nature reviews neuroscience, 8(9), 700.
[3] Bullmore, E. & Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience 10, 186-198 (2009).
[4] Lioi, G. et al. Gradients of Connectivity as Graph Fourier Bases of Brain Activity. Network Neuroscience, 1-25 (2020).
[5] Preti, M. G. & Van De Ville, D. Decoupling of brain function from structure reveals regional behavioral specialization in humans. Nature communications 10, 1-7 (2019).
[6] Orrù, G., Maurel, P., & Coloigner, J. (2021, April). Structural And Functional Interplay In Anxiety Related Classification: A Graph Signal Processing Approach. In 2021 IEEE 18th International Symposium on Biomedical Imaging (ISBI) (pp. 271-274). IEEE.
[7] Huang, W., Bolton, T. A., Medaglia, J. D., Bassett, D. S., Ribeiro, A., & Van De Ville, D. (2018). A Graph Signal Processing Perspective on Functional Brain Imaging. Proceedings of the IEEE.
[8] Bontonou, M., Lioi, G., Farrugia, N., & Gripon, V. (2020). Few-shot Learning for Decoding Brain Signals. arXiv preprint arXiv:2010.12500.