ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
L’empreinte cérébrale : une image des connexions du cerveau - Par : Kuldeep Kumar, Christian Desrosiers, Kaleem Siddiqi, Olivier Colliot, Matthew Toews,

L’empreinte cérébrale : une image des connexions du cerveau


Kuldeep Kumar
Kuldeep Kumar est étudiant au doctorat à l'ÉTS. Ses recherches portent sur l'analyse du cerveau humain par l’apprentissage machine et l'analyse de données pour obtenir des empreintes cérébrales servant à la caractérisation de sujets.

Christian Desrosiers
Christian Desrosiers Profil de l'auteur(e)
Christian Desrosiers est professeur au Département de génie logiciel et des TI de l’ÉTS. Ses intérêts de recherche portent sur le forage de données, l’apprentissage machine, l’imagerie biomédicale et les systèmes de recommandation.

Kaleem Siddiqi
Kaleem Siddiqi est professeur et directeur de recherche associé à l'École d'informatique de l'Université McGill et membre du Centre de recherche sur les machines intelligentes.

Olivier Colliot
Olivier Colliot Profil de l'auteur(e)
Olivier Colliot est directeur de recherche au CNRS et responsable du laboratoire ARAMIS. Ses recherches portent sur l'analyse des données de neuro-imagerie, dont l'apprentissage machine et statistique, la segmentation et la morphométrie.

Matthew Toews
Matthew Toews est professeur au Département de génie de la production automatisée de l’ÉTS. Ses travaux de recherche portent sur la théorie des probabilités et la théorie de l’information, la vidéo et les données d’images médicales.

L'empreinte cérébrale permet d'identifier les personnes ainsi que leurs frères et soeurs.

L’image d’en-tête a été achetée sur Istock. Des droits d’auteurs s’appliquent.

Résumé

On utilise l’imagerie par résonance magnétique de diffusion (IRMd) pour caractériser la matière blanche et ainsi tirer des conclusions qui s’appliquent à l’ensemble de la population. Toutefois, la structure, la fonction et la géométrie de la matière blanche varient d’une personne à l’autre. Dans cette étude, nous proposons une empreinte cérébrale qui utilise les trajectoires des fibres pour quantifier la géométrie de la matière blanche unique à chaque personne.

Nous effectuons une représentation de l’encodage épars de trajectoires de fibres en les cartographiant dans un espace commun dit « dictionnaire ». L’empreinte cérébrale d’un sujet est ensuite créée en appliquant une fonction de regroupement à chaque faisceau, générant ainsi le vecteur de caractéristiques des faisceaux qui décrit la géométrie de la matière blanche d’un sujet particulier. Ces caractéristiques forment un encodage des propriétés distinctes des trajectoires de fibres, comme leur densité le long des faisceaux principaux.

Une analyse des données provenant de 861 sujets du Human Connectome Project révèle qu’une empreinte cérébrale obtenue au moyen d’environ 3000 trajectoires de fibres peut identifier les échantillons provenant d’un même sujet. Nous utilisons également les empreintes cérébrales pour identifier frères et sœurs, qu’ils soient jumeaux ou non, nos observations étant compatibles avec les études de jumeaux portant sur l’intégrité de la matière blanche.

Nos résultats démontrent que l’empreinte cérébrale proposée peut effectivement capter, la variabilité géométrique des fibres de matière blanche parmi la population, en utilisant un vecteur de caractéristiques compact (dimension de 50), ce qui rend cette méthode particulièrement attrayante pour gérer des ensembles de données volumineux.

Processus à suivre pour déterminer une empreinte cérébrale.

Figure 1 Vue d’ensemble de l’approche de l’empreinte cérébrale proposée, basée sur le regroupement d’encodages épars.

Mots clés : empreinte cérébrale; IRMd; géométrie de la matière blanche; trajectoires de fibres; regroupement d’encodages épars; HCP; données de jumeaux

Caractériser le cerveau humain

Malgré des similarités évidentes, le cerveau de chaque personne présente des caractéristiques uniques quant à leur structure et à leurs fonctions. Cette unicité a été établie par des chercheurs à l’aide de techniques d’imagerie non invasives comme l’imagerie par résonance magnétique (IRM). Récemment, on accorde un intérêt croissant à la caractérisation individuelle du cerveau au moyen d’une signature compacte nommée [3,4,5]. Cet intérêt est principalement attribuable à l’amélioration du matériel d’acquisition de données et à la quantité croissante de données accessibles au public, grâce à des initiatives à grande échelle, comme le Human Connectome Project [2] ou le Human Brain Project. L’empreinte cérébrale pourrait aider à comprendre les fondements génétiques de maladies comme le Parkinson et constitue un pas important vers la psychiatrie de précision [6].

Les études du cerveau portent généralement sur sa structure, ses fonctions ou sa connectivité. Les études structurelles examinent les différentes régions du cerveau, du cortex externe aux structures internes comme le cervelet ou l’hippocampe, et leur lien avec la fonction cognitive ou les maladies neurologiques. En revanche, les études fonctionnelles visent à identifier les régions cérébrales activées chez des sujets au repos ou exécutant des tâches particulières. Enfin, les études de connectivité portent sur la géométrie des fibres cérébrales (c’est-à-dire les axones myélinisés) formant la matière blanche, qui permettent aux différentes régions du cerveau de communiquer entre elles. La connectivité de la matière blanche est établie à l’aide de l’IRM de diffusion (IRMd), une variante de l’IRM qui observe le mouvement des molécules d’eau le long de ces fibres. Bien que des empreintes cérébrales aient été proposées pour identifier la structure et les fonctions du cerveau, la caractérisation de personnes au moyen de la connectivité de la matière blanche s’est avérée difficile. Cette situation relève de certains facteurs comme la variabilité observée d’une personne à l’autre ainsi que dans le nombre et la longueur des trajectoires de fibres observées par IRMd.

L’empreinte cérébrale : identifier les personnes au moyen de la connectivité de leur cerveau

Dans cette étude, nous proposons une empreinte cérébrale compacte du cerveau, qui montre la géométrie des trajectoires de fibres, c’est-à-dire la représentation macroscopique des fibres profondes par IRMd (Figure 1).

Dictionnaires utilisés pour déterminer une empreinte cérébrale

Figure 2 Représentation des dictionnaires. Prototypes de trajectoires de fibres, tirés de 10 sujets (m=50). Une couleur unique est associée à chacun des prototypes de dictionnaire. Dans cette représentation simplifiée, chaque fibre est attribuée à un prototype unique.

L’idée maîtresse est de construire une représentation spatiale commune pour les trajectoires de fibres, à l’aide de concepts de l’apprentissage dictionnaire épars, puis d’utiliser cette représentation pour encoder la distribution des trajectoires de fibres d’un sujet dans une empreinte cérébrale. Cette représentation est modélisée sous forme de dictionnaire (Figure 2) dont les éléments correspondent aux principaux faisceaux de fibres du cerveau.

Le dictionnaire peut être défini à l’aide d’un ensemble marqué par un expert de trajectoires de fibres ou d’un atlas existant. Dans cette étude, nous nous sommes plutôt servis de dix sujets non apparentés. L’encodage d’une trajectoire de fibres, nommé encodage épars, permet de la distribuer à l’un des faisceaux de dictionnaires (Figure 3).

regroupement des fibres en faisceaux pour obtenir une empreinte cérébrale.

Figure 3 Représentation couleur de la distribution de trajectoires de fibres (encodage épars) aux faisceaux corticospinaux gauches (rang supérieur) et droits (rang inférieur) de quatre sujets. Le vert et le rouge représentent respectivement l’appartenance faible ou élevée d’une trajectoire de fibres à un faisceau.

Cette représentation permet d’attribuer des trajectoires de fibres à plusieurs faisceaux, ce qui est nécessaire lorsque des faisceaux superposés sont modélisés. L’encodage épars des trajectoires de fibres d’un sujet (Figure 4) est ensuite agrégé en une valeur unique pour chaque faisceau, estimant la densité des trajectoires de fibres le long de ce faisceau.

Une empreinte cérébrale est obtenue par encodage épars des fibres

Figure 4 Représentation de l’encodage épars des trajectoires de fibres de quatre sujets. Chaque trajectoire de fibres est attribuée à un seul faisceau, en considérant le maximum du vecteur de l’encodage épars. Le code de couleur utilisé est le même que pour le dictionnaire.

On obtient l’empreinte cérébrale proposée en superposant les résultats de tous les faisceaux de dictionnaires (Figures 5, 6).

Empreinte cérébrale illustrée par faisceau

Figure 5 Empreinte cérébrale des sujets. Diagrammes à barres couleur de quatre sujets et les fonctions de regroupement RMS en fonction de la valeur de chacun des faisceaux.

Une analyse à grande échelle basée sur les données de 851 sujets du Human Connectome Project a servi à évaluer la capacité de notre empreinte cérébrale d’identifier les différents sujets, ainsi que leurs frères et sœurs, jumeaux ou non. Cette analyse a révélé qu’une empreinte cérébrale, obtenue au moyen de 50 valeurs seulement, 3000 trajectoires de fibres, peut identifier précisément une personne donnée parmi un groupe de sujets. La même empreinte cérébrale a pu également servir à repérer précisément les frères et sœurs d’un sujet, démontrant le lien entre la proximité génétique et la géométrie des fibres.

Empreinte cérébrale

Figure 6 Empreinte cérébrale de sujets. Faisceaux codés couleur de quatre sujets représentant l’ampleur de leur valeur de fonction de regroupement RMS correspondante. Le code de couleur utilisé est le même que pour les diagrammes à barres.

Recherches futures

Un aspect clé sera d’étudier les changements dans l’empreinte cérébrale avec le temps, dans une étude longitudinale. Ces changements pourraient aider à comprendre comment le vieillissement affecte la connectivité cérébrale, du point de vue de la géométrie des fibres. De même, les différences d’empreintes cérébrales entre sujets sains et ceux qui souffrent d’une maladie cérébrale particulière pourraient révéler que la géométrie des fibres est impliquée dans cette maladie.

Information supplémentaire

Pour en savoir plus sur cette recherche, nous vous invitons à lire l’article suivant:

Kuldeep Kumar, Christian Desrosiers, Kaleem Siddiqi, Olivier Colliot, Matthew Toews, Fiberprint: A subject fingerprint based on sparse code pooling for white matter fiber analysis, NeuroImage, Volume 158, 2017, Pages 242-259, ISSN 1053-8119, http://dx.doi.org/10.1016/j.neuroimage.2017.06.083.

 

Kuldeep Kumar

Profil de l'auteur(e)

Kuldeep Kumar est étudiant au doctorat à l'ÉTS. Ses recherches portent sur l'analyse du cerveau humain par l’apprentissage machine et l'analyse de données pour obtenir des empreintes cérébrales servant à la caractérisation de sujets.

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle  LiNCS – Laboratoire en ingénierie cognitive et sémantique 

Profil de l'auteur(e)

Christian Desrosiers

Profil de l'auteur(e)

Christian Desrosiers est professeur au Département de génie logiciel et des TI de l’ÉTS. Ses intérêts de recherche portent sur le forage de données, l’apprentissage machine, l’imagerie biomédicale et les systèmes de recommandation.

Programme : Génie logiciel  Génie des technologies de l'information 

Profil de l'auteur(e)

Kaleem Siddiqi

Profil de l'auteur(e)

Kaleem Siddiqi est professeur et directeur de recherche associé à l'École d'informatique de l'Université McGill et membre du Centre de recherche sur les machines intelligentes.

Profil de l'auteur(e)

Olivier Colliot

Profil de l'auteur(e)

Olivier Colliot est directeur de recherche au CNRS et responsable du laboratoire ARAMIS. Ses recherches portent sur l'analyse des données de neuro-imagerie, dont l'apprentissage machine et statistique, la segmentation et la morphométrie.

Profil de l'auteur(e)

Matthew Toews

Profil de l'auteur(e)

Matthew Toews est professeur au Département de génie de la production automatisée de l’ÉTS. Ses travaux de recherche portent sur la théorie des probabilités et la théorie de l’information, la vidéo et les données d’images médicales.

Programme : Génie de la production automatisée 

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle 

Profil de l'auteur(e)


commentaires

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *