LogoLogo

Gardy, Ludovic. Détection automatique multi-échelle et de grande envergure d'oscillations intracérébrales pathologiques dans l'épilepsie par réseaux de neurones artificiels

Gardy, Ludovic (2021). Détection automatique multi-échelle et de grande envergure d'oscillations intracérébrales pathologiques dans l'épilepsie par réseaux de neurones artificiels.

[img]
Preview
PDF - nécessite un logiciel de visualisation PDF comme GSview, Xpdf or Adobe Acrobat Reader
5Mb

Résumé en francais

Environ un tiers des patients épileptiques sont résistants aux médicaments. La seule solution pour les guérir est de retirer la zone cérébrale à l'origine des crises, appelée zone épileptogène (ZE). Pour localiser cette zone, il est parfois nécessaire des mener des explorations par stéréo-électroencéphalographie (SEEG). L'analyse du signal EEG par les neurologues est une étape déterminante du diagnostic, mais la quantité de données générée est colossale. Ainsi, seule une petite partie des enregistrements peut être analysée par les équipes médicales qui se concentrent principalement sur l'activité durant les crises et celle juste autour. Pour caractériser l'étendue et la dynamique du réseau épileptogène, les neurologues étudient aussi des marqueurs intercritiques. Mais certains de ces biomarqueurs sont strictement invisibles à l'œil nu. Le premier objectif de ce travail de thèse interdisciplinaire consistait à établir de nouvelles méthodes pour détecter efficacement et automatiquement les marqueurs intercritiques, à savoir les pointes épileptiques intercritiques (PEIs) et en particulier les fast ripples (FRs). Le second objectif visait à définir et décrire l'intérêt d'enregistrements des marqueurs physiopathologiques de l'épilepsie par l'intermédiaire de micro-électrodes, alors que la plupart des études jusqu'à présent utilisaient des macro-électrodes classiques. Enfin, le troisième objectif était focalisé sur les FRs, avec pour idée de mieux comprendre leur origine, leur émergence et leur implication dans la pathologie. Nos équipes utilisent des électrodes hybrides permettant un enregistrement multi échelle du signal cérébral des patients. Ces électrodes sont constituées de macro-canaux permettant d'enregistrer l'activité de larges populations neuronales et de micro-canaux capables de capturer des signaux plus focaux, pouvant aller jusqu'à l'échelle du neurone unitaire. Nous avons construit un détecteur automatique de PEIs basé sur une nouvelle méthode de traitement du signal que nous avons baptisée Convolutional Kernel Density Estimation (CKDE). Nous avons également élaboré un détecteur automatique de FRs basé sur une approche écologique en trois étapes, imitant le travail du neurologue. Tous ces outils ont été incorporés à des interfaces graphiques utilisateurs (GUI) combinant les différentes fonctionnalités pour en permettre l'utilisation facile et efficiente. La détection des PEIs par CKDE offre la preuve de concept qu'une analyse orientée pixels de l'activité EEG peut être utilisée comme stratégie pour détecter des marqueurs intercritiques. Nous avons évalué cette méthode sur 10 minutes d'enregistrements chez un patient. Quinze PEIs ont été détectées automatiquement parmi lesquelles 13 vrais positifs et 2 faux positifs. Nos résultats principaux concernent toutefois la détection des FRs qui auraient à ce jour le plus grand potentiel dans le diagnostic des épilepsies pharmacorésistantes. Pour entraîner le CNN qui est une pièce maîtresse de notre détecteur, nous avons constitué une base de données de 4 954 FRs détectés manuellement chez 13 patients. Ce détecteur de FRs a été incorporé au logiciel que nous avons imaginé et créé, baptisé Ladybird, utilisé chez 29 patients pour détecter et traiter plusieurs milliers de FRs. Les avancées techniques et théoriques réalisées au cours de ce travail de thèse nous permettent d'envisager une utilisation à grande échelle de nos outils. Notre objectif est que les équipes médicales puissent en bénéficier directement, dans leur routine diagnostic. Un brevet a été déposé en vue d'un processus d'industrialisation.

Sous la direction du :
Directeur de thèse
Barbeau, Emmanuel
Hurter, Christophe
Ecole doctorale:Comportement, langages, éducation, socialisation, cognition (CLESCO)
laboratoire/Unité de recherche :Centre de Recherche Cerveau et Cognition (CERCO), UMR 5549
Mots-clés libres :Neurosciences - DataVis - Epilepsie - Activité neuronale - Electroencéphalographie (EEG) - Machine learning - Deep learning - Python - Intelligence naturelle - Intelligence artificielle - Software design
Sujets :Sciences du vivant
Déposé le :04 Mar 2022 10:06