Identification de la variabilité neurodéveloppementale dans les images anatomiques cérébrales

Bien que la plupart des troubles mentaux apparaissent à l'adolescence, l'hypothèse neurodéveloppementale des troubles mentaux suggère que des anomalies sous-jacentes sont présentes avant l'apparition des premiers symptômes. Notamment, le modèle de la double-atteinte de la schizophrénie suppose qu'une anomalie durant le développement précoce du cerveau (première atteinte) rend le patient sensible à des facteurs environnementaux responsables de la seconde atteinte, ce qui entraîne le début de la maladie. Selon la contribution de chaque atteinte, les patients développent la maladie suivant des trajectoires différentes. Ces deux atteintes peuvent laisser des traces identifiables dans l'anatomie cérébrale qui se construit sous l'influence des facteurs neurodéveloppementaux (génétique et développement cérébral précoce) et des facteurs environnementaux (expériences futurs du sujet comme l'exposition au stress). Ce travail vise à démêler ces deux sources de variabilité de l'anatomie cérébrale, à savoir les facteurs neurodéveloppementaux et environnementaux. Cette différenciation permettrait de distinguer un chemin vers le trouble issu d'anomalies neurodéveloppementales de celui issu d'anomalies plus tardives de maturation du cerveau causées par les interactions avec l'environnement. Dans ce travail, nous avons d'abord construit un encodeur pour extraire les informations pertinentes des formes du plissement cortical, qui sont des candidats prometteurs pour capturer la contribution des facteurs neurodéveloppementaux à l'anatomie du cerveau. En effet, l'aspect général des formes des sillons corticaux se fixent peu après la naissance et reste stable au cours de la vie. Pour étudier le plissement du cerveau, nous avons traité l'Image par Résonance Magnétique (IRM) structurelle des sujets pour extraire le squelette, une image 3D représentant les formes de plissement cortical. Nous avons entraîné des modèles d'apprentissage automatique à partir des squelettes et avons évalué les représentations apprises par le biais de classification cas-contrôle pour trois troubles psychiatriques (troubles du spectre autistique, bipolaires et schizophréniques). Nous avons mis en œuvre des stratégies d'apprentissage automatique afin de prendre en compte la variabilité inter-individuel des squelettes grâce à l'apprentissage par transfert et à l'approche régionale. Nous avons également mis en œuvre une méthode d'explicabilité pour mieux comprendre les processus de prise de décision du modèle. Nos résultats ont montré que les squelettes contenaient suffisamment d'informations pour prédire correctement les trois catégories de diagnostic évaluées, confirmant l'hypothèse que les patients présentes des anomalies cérébrales avant le début de la maladie. Nous avons ensuite cherché à progresser vers une approche multimodale qui décompose les informations de l'anatomie cérébrale en composantes neurodéveloppementales et environnementales. Pour cela, nous avons combiné les squelettes, qui capturent les informations liées au neurodevelopment, avec un autre prétraitement d'images anatomiques cérébrales, qui capturent une combinaison d'informations neurodéveloppementales et environnementales. A partir de ces deux modalités d'image, nous souhaitions développer des modèles d'apprentissage automatique capable d'isoler les informations partagées et spécifiques à chaque modalité. Pour comparer les modèles développés, nous avons construits des jeux de données synthétiques comportant deux modalités qui partagent un certain nombre d'information et qui contiennent des informations uniques. Malgré des résultats mitigés sur les jeux de données synthétiques, nous avons appliqué un des modèles aux squelettes combinés avec les images de morphométrie basée sur le voxel. Pour évaluer la capacité du modèle à extraire les informations neurodéveloppementales, nous avons cherché à évaluer les scores des signes neurologiques mineurs qui quantifient la charge neurodéveloppementale des sujets.