Ludivine Morvan, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Prédiction de la progression du myélome multiple par imagerie TEP : adaptation des forêts de survie aléatoires et de réseaux de neurones convolutionnels » / « Prediction of multiple myeloma progression by PET imaging: adaptation of random survival forests and convolutional neural networks »

mardi 7 décembre 2021 à 16h30, dans l’amphithéâtre du bâtiment S sur le site de Centrale de Nantes. La thèse sera retransmise en direct sur Zoom : https://ec-nantes.zoom.us/j/99490307550 .

Jury :
– Directeur de thèse : Pr. Diana Mateus
– Co-encadrant : Thomas Carlier (Physicien médical, CRCINA – INSERM)
– Rapporteurs : Pr. Su Ruan (Professeure des universités, LITIS) ; Mathieu Hatt (Chercheur, LaTIM)
– Autres membres : Carole Lartizien (Directrice de recherches, CREATIS) ; (Enseignant-chercheur, Imagerie et Cerveau – INSERM)
– Invité : Pr. Françoise Kraeber-Bodéré (Cheffe du service de médecine nucléaire du CHU de Nantes, CRCINA – INSERM)

Résumé : L’objectif de ces travaux est de fournir un modèle permettant la prédiction de la survie et l’identification de biomarqueurs dans le contexte du myélome multiple (MM) à l’aide de l’imagerie TEP (Tomographie à émission de positons) et de données cliniques. Cette thèse fut divisée en deux parties : La première permet d’obtenir un modèle basé sur les forêts de survie aléatoires (RSF). La seconde est basée sur l’adaptation de l’apprentissage profond à la survie et à nos données. Les contributions principales sont les suivantes : 1) Production d’un modèle basé sur les RSF et les images TEP permettant la prédiction d’un groupe de risque pour les patients atteints de MM. 2) Détermination de biomarqueurs grâce à ce modèle 3) Démonstration de l’intérêt des radiomiques TEP 4) Extension de l’état de l’art des méthodes d’adaptation de l’apprentissage profond à une petite base de données et à de petites images 5) Étude des fonctions de coût utilisées en survie. De plus, nous sommes, à notre connaissance, les premiers à investiguer l’utilisation des RSF dans le contexte du MM et des images TEP, à utiliser du pré-entraînement auto-supervisé avec des images TEP et, avec une tâche de survie, à adapter la fonction de coût triplet à la survie et à adapter un réseau de neurones convolutionnels à la survie du MM à partir de lésions TEP.

Mots-clés : Myélome multiple, Réseaux de neurones convolutionnels, Analyse de survie, Forêts de survie aléatoires, Tomographie à Emission de Positons

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

Abstract: The aim of this work is to provide a model for survival prediction and biomarker identification in the context of multiple myeloma (MM) using PET (Positron Emission Tomography) imaging and clinical data. This PhD is divided into two parts: The first part provides a model based on Random Survival Forests (RSF). The second part is based on the adaptation of deep learning to survival and to our data. The main contributions are the following: 1) Production of a model based on RSF and PET images allowing the prediction of a risk group for multiple myeloma patients. 2) Determination of biomarkers using this model. 3) Demonstration of the interest of PET radiomics. 4) Extension of the state of the art of methods for the adaptation of deep learning to a small database and small images. 5) Study of the cost functions used in survival. In addition, we are, to our knowledge, the first to investigate the use of RSFs in the context of MM and PET images, to use self-supervised pre-training with PET images, and, with a survival task, to fit the triplet cost function to survival and to fit a convolutional neural network to MM survival from PET lesions.

Keywords: Multiple myeloma, Convolutional Neural Network, Survival analysis, Random Survival Forest, Positron Emission Tomography

Nans Laroche, doctorant au sein de l‘équipe SIMS, soutiendra sa thèse intitulée « Méthodes d’imagerie ultrasonore avancées et rapides pour le contrôle non destructif de matériaux atténuants et diffusants » / « Fast and advanced ultrasonic imaging methods for non destructive testing of attenuative and diffusive materials »

lundi 18 octobre 2021 à 14h15, dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Le manuscrit est accessible ici: https://box.ec-nantes.fr/index.php/s/g7YEzZKcn8KxMPp

Jury :
– Directeur de thèse : Jérôme IDIER
– Co-encadrants : Sébastien BOURGUIGNON (maître de conférence); Aroune DUCLOS (maître de conférence, Laboratoire d’Acoustique de l’Université du Mans);
– Rapporteurs : Nicolas QUAEGEBEUR (Professeur, Université de Sherbrooke) ; Jean-Philippe THIRAN (Professeur, Ecole Polytechnique Fédérale de Lausanne).
– Autres membres : Ewen CARCREFF (docteur, encadrant industriel, DB-SAS)

Résumé : Le développement de sondes multiéléments et les progrès continus en électronique ont favorisé l’émergence des méthodes d’imagerie ultrasonore pour le contrôle non-destructif (CND). En particulier, les approches linéaires de type formation de voies sont largement utilisées pour leur simplicité et leur rapidité, rendant possible l’imagerie en temps réel. Néanmoins, la résolution et le contraste des images reconstruites sont limités par la nature oscillante de l’onde ultrasonore.
Cette thèse aborde l’imagerie ultrasonore sous l’angle des problèmes inverses. La reconstruction de l’image de réflectivité à partir de mesures ultrasonores, dont l’information est limitée par la bande passante des transducteurs, est un problème inverse mal posé. Dans ces travaux, nous adoptons des techniques d’inversion par régularisation favorisant la reconstruction de solutions à la fois parcimonieuses et lisses spatialement, i.e. d’extension spatiale limitée. Nous cherchons ainsi à reconstruire une carte de réflectivité d’un milieu globalement sain, ne contenant éventuellement que quelques réflecteurs de petite taille. Une première contribution décrit la mise en œuvre et l’inversion d’un modèle linéaire reliant les données brutes de grande taille à la réflectivité du milieu, via un opérateur contenant les formes d’ondes ultrasonores. Un deuxième axe est basé sur la projection du modèle de données ultrasonores dans l’espace image via une technique de formation de voies. L’inversion du modèle résultant, de plus petite taille, est alors interprétée comme un problème de déconvolution à réponse impulsionnelle variable spatialement et à bruit coloré.
Un modèle interpolateur est proposé, permettant une inversion rapide. Un dernier axe de travail adapte ces méthodes à des milieux ayant des propriétés acoustiques complexes telles que l’atténuation fréquentielle et la dispersion, pour lesquels l’onde acoustique se déforme lors de sa propagation.
Les méthodes proposées sont évaluées sur des données synthétiques et appliquées à des exemples concrets de CND. Un pouvoir de résolution bien supérieur aux méthodes standard est obtenu, au prix d’une complexité calculatoire plus élevée.

Mots-clés : contrôle non-destructif, imagerie ultrasonore, problèmes inverses, focalisation en tout point, parcimonie

—————————————————————————————————————————————————————————————————————————————————————-
Abstract: The development of multi-element probes and continuous progress in electronics have favored the generalization of ultrasonic imaging methods for non destructive testing (NDT). In particular, the total focusing method is widely used due to its simplicity and real-time capability. Nevertheless, the resolution and contrast of the resulting images are limited due to the oscillating nature of the ultrasonic wave.
This work addresses ultrasonic imaging from an inverse problem perspective. Retrieving the reflectivity map from ultrasonic measurements acquired with band-limited transducers is an ill-posed problem. In this work, we develop inversion methods based on a regularization framework that enhances both the sparsity and the spatial smoothness of the reconstructed solution. Therefore, we assume that the reflectivity map is mainly homogeneous and possibly contains only few reflectors of small size. A first contribution describes the implementation and the inversion of a linear model that relates the raw, large-size, ultrasonic data to the reflectivity image, through a matrix containing the ultrasonic waveforms. A second contribution consists in projecting the previous model involving raw ultrasonic data in the space domain through a linear beamforming method. The size of the resulting model is therefore reduced, and its inversion can be interpreted as a deconvolution problem with a non stationary point spread function and colored noise. We hence propose an interpolation model in order to obtain a computationally efficient method. Finally, the last part of this work consists in applying the proposed methods to media with complex acoustic properties, such as frequency attenuation and dispersion, where the ultrasonic waveform is distorted during propagation.
These algorithms are applied to synthetic data and practical NDT cases and show superior resolving capabilities compared to standard methods, at the cost of higher computational complexity.

Keywords: non destructive testing, ultrasonic imaging, inverse problems, total focusing method, sparsity

Mickael Tardy, doctorant au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Apprentissage profond, Imagerie du sein, Classification, Segmentation, Supervision faible » / « Deep learning for computer-aided early diagnosis of breast cancer »

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

Diane Mornas, doctorante au sein de l’équipe SIMS, soutiendra sa thèse intitulée « Modélisation paramétrique de l’hyperémie fonctionnelle en IRMf ASL comme un mélange de sources » / « Parametric modelling of functional hyperaemia in fMRI ASL as a mixture of sources »

jeudi 1er juillet 2021 à 14h, à l’Ecole Centrale de Nantes (si les conditions le permettent).

Jury :
– Directeur de thèse : Jérôme Idier (Directeur de Recherche CNRS, LS2N, Nantes)
– Co-encadrant : Clément Huneau (Maître de conférences, Université de Nantes, LS2N, Nantes)
– Rapporteurs : Jean Daunizeau (Chargé de Recherche INSERM, Institut du Cerveau, Paris) ; Jean-François Giovannelli (Professeur des Universités, Université de Bordeaux, IMS, Bordeaux)
– Autres membres : Sylvie Lorthois (Directrice de Recherche CNRS, IMFT, Toulouse) ; Mélanie Pélégrini-Issac (Ingénieure de Recherche INSERM, LIB, Paris)

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