Apprentissage des représentations en neuroimagerie : transfert de connaissance à partir de larges jeux de données contrôles vers de petites cohortes cliniques
- 7 April 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
Representation learning in neuroimaging : transferring from big healthy data to small clinical cohorts: La physiopathologie des maladies mentales telles que la schizophrénie et le trouble bipolaire est encore mal comprise, cependant l'émergence de grandes bases de données transdiagnostiques d'images cérébrales offre une occasion unique d'étudier les signatures neuroanatomiques de ces maladies.Le développement de modèles d'apprentissage profonds pour l'imagerie médicale a ouvert la voie à des applications complexes comme la segmentation d'images. Néanmoins, l'applicabilité de telles méthodes aux problèmes de prédiction à l'échelle individuelle à partir d'IRM anatomique reste encore inconnue. Dans cette thèse, nous étudions d'abord la performance des réseaux de neurones actuels en fonction de la quantité de données disponibles. Nous comparons ces performances avec les modèles linéaires régularisés ainsi que les machines à vecteurs de support avec noyau. Nous constatons un problème de sur-ajustement important sur les jeux de données cliniques ainsi qu'une courbe d'apprentissage similaire aux modèles linéaires pour les tailles d'échantillon actuellement accessible en recherche clinique. Nous montrons que cet effet de sur-ajustement est en partie dû au biais induit par les scanners IRM et les protocoles d'acquisition (effet site).Ainsi, nous proposons une nouvelle solution d'apprentissage des représentations sur de grands jeux de données multi-site d'imagerie de la population saine, basée sur l'apprentissage auto-supervisé par contraste. En transférant ces connaissances à de nouveaux jeux de données cliniques, nous démontrons une amélioration des performances de classification et une plus grande robustesse à l'effet site. Par ailleurs, nous fournissons des garanties théoriques de généralisation de ces modèles pour les tâches de classification.Enfin, pour une meilleure reproductibilité et comparaison des modèles profonds en neuroimagerie, nous introduisons un nouveau jeu de données multi-site à large échelle: OpenBHB. Cette base de données est spécialement conçue pour la prédiction de l'âge cérébrale (tâche supervisée) ainsi que la suppression de l'effet site dans les représentations des modèles profonds. Nous proposong également un défi, accessible en ligne, pour l'apprentissage des représentations avec OpenBHB ainsi qu'une nouvelle méthode pour évaluer le biais dans les représentations des modèles soumis.Keywords
This publication has 204 references indexed in Scilit:
- Neurocompositional computing: From the Central Paradox of Cognition to a new generation of AI systemsAI Magazine, 2022
- Discrete Energy on Rectifiable Sets2019
- Mapping the Heterogeneous Phenotype of Schizophrenia and Bipolar Disorder Using Normative ModelsJAMA Psychiatry, 2018
- Support Vector Regression2015
- Prediction of brain age suggests accelerated atrophy after traumatic brain injuryAnnals of Neurology, 2015
- Disruption of Cortical Association Networks in Schizophrenia and Psychotic Bipolar DisorderJAMA Psychiatry, 2014
- The Alzheimer's disease neuroimaging initiative (ADNI): MRI methodsJournal of Magnetic Resonance Imaging, 2008
- The Nature of Statistical Learning Theory2000
- Cortical Surface-Based AnalysisNeuroImage, 1999
- Cortical Surface-Based AnalysisNeuroImage, 1999