Soutenance de thèse de Diane MORNAS (équipe SIMS)

Diane Mornas, ancienne doctorante de l’équipe SIMS, a soutenu sa thèse intitulée « Modélisation paramétrique de l’hyperémie fonctionnelle en IRMf ASL comme un mélange de sources »
jeudi 1er juillet 2021 à 14h en mixte présentiel à Centrale et visio.

Jury :
– Rapporteurs : Jean DAUNIZEAU, Chargé de Recherche INSERM, Institut du Cerveau, Paris ; Jean-François GIOVANNELLI, Professeur des Universités, IMS, Bordeaux
– Examinatrices: Sylvie LORTHOIS, Directrice de Recherche CNRS, IMFT, Toulouse ; Mélanie PELEGRINI-ISSAC, Docteur Ingénieur de Recherche INSERM, LIB, Paris
– Directeur et co-encadrant : Jérôme IDIER, Directeur de Recherche CNRS, LS2N ; Clément HUNEAU, Maître de Conférences, Université de Nantes, LS2N

Résumé : L’activité neuronale engendre  par vasodilatation des petits vaisseaux sanguins cérébraux une augmentation de volume et de débit sanguin cérébral. C’est le phénomène de l’hyperémie fonctionnelle qui est induit par le couplage neurovasculaire. L’hyperémie fonctionnelle est directement observable avec la technique d’imagerie d’IRMf ASL.
Une altération de l’hyperémie fonctionnelle a été observée dans certaines maladies neurodégénératives comme l’artériopathie CADASIL.
L’objectif de cette thèse est de proposer une modélisation de l’hyperémie fonctionnelle mesurée dans un voxel d’IRMf ASL ainsi qu’une méthode adaptée à son identification. Nous proposons le modèle paramétrique Fast-Slow. Il modélise une réponse en débit à une stimulation neuronale comme étant induite par deux mécanismes vasodilatateurs « rapide » et « lent », temporellement et spatialement distincts. Ce modèle dépend de paramètres dynamiques caractérisant la forme des réponses des deux mécanismes par région cérébrale et de paramètres caractérisant la contribution des deux mécanismes par voxel. Dans un premier temps, nous avons élaboré et validé plusieurs stratégies d’estimation adaptées au problème d’identification du modèle paramétrique à partir de données simulées de débit relatif. Dans un second temps, à partir de la meilleure stratégie nous avons validé l’utilisation du modèle sur des données réelles d’IRMf ASL mesurées chez des patients CADASIL et des sujets Contrôles dans le but de différencier les données de ces deux groupes. Le modèle Fast-Slow permet aussi de construire des cartes de distributions spatiales des paramètres voxéliques. Cette thèse montre que notre modèle permet d’extraire des informations spatiales et temporelles à partir des données IRMf ASL dans le but d’améliorer la compréhension du couplage neurovasculaire.

Mots-clés : Couplage neurovasculaire, IRMf ASL, débit sanguin cérébral, modélisation, identification paramétrique

——————————————————————————————————————————————————————————————————————-

Abstract: Neural activity leads to an increase in cerebral blood volume and flow by vasodilatation of the small cerebral blood vessels. This is the phenomenon of functional hyperaemia, which is induced by neurovascular coupling. Functional hyperaemia is directly measurable with the ASL fMRI imaging technique.
Impaired functional hyperemia has been observed in some neurodegenerative diseases such as CADASIL arteriopathy.
The aim of this thesis is to propose a model of the functional hyperaemia measured in an ASL fMRI voxel and a suitable method to its identification. We propose the Fast-Slow parametric model. It models a flow response to neuronal stimulation as being induced by two temporally and spatially distinct « fast » and « slow » vasodilatory mechanisms. This model depends on dynamic parameters characterising the shape of the response for each mechanism per brain region and on parameters characterising the contribution of the two mechanisms per voxel. In a first step, we developed and validated several estimation strategies adapted to the problem of identifying the parametric model from simulated relative flow data. In a second step, based on the best strategy, we validated the use of the model on real ASL fMRI data measured in CADASIL patients and Control subjects in order to differentiate the data of these two groups. The Fast-Slow model also allows the construction of maps of spatial distributions of voxel parameters. This thesis shows that our model allows the extraction of spatial and temporal information from ASL fMRI data in order to improve the understanding of neurovascular coupling.

Keywords: Neurovascular coupling, ASL fMRI, cerebral blood flow, modeling, parametric identification