Deep learning for the rating of atypical anatomical patterns on MRI data

Apprentissage profond pour l'évaluation des modèles anatomiques atypiques sur des données d'IRM L'inversion de l'hippocampe incomplète (IHI), parfois appelée malrotation hippocampique, est un modèle anatomique atypique de l'hippocampe que l'on retrouve chez environ 20% de la population générale. L'IHI peut être évaluée visuellement sur des coupes coronales d'images RM pondérées en T1, à l'aide d'un score composite qui combine quatre critères anatomiques. L'IHI a été associé à plusieurs troubles cérébraux (épilepsie, schizophrénie). Cependant, ces études étaient basées sur de petits échantillons. En outre, les facteurs (génétiques ou environnementaux) qui contribuent à la genèse de l'IHI sont largement inconnus. Des études à grande échelle sont donc nécessaires. Cependant, l'évaluation visuelle est longue et fastidieuse, ce qui justifie le besoin d'une méthode automatique. Dans ce travail, nous proposons, pour la première fois, d'évaluer automatiquement les IHI. Nous procédons en prédisant quatre critères anatomiques, qui sont ensuite additionnés pour former le score IHI, ce qui présente l'avantage d'un score interprétable. Nous avons procédé à une étude expérimentale approfondie des différentes méthodes d'apprentissage automatique et des stratégies de formation. Nous avons effectué une notation automatique en utilisant une variété de modèles d'apprentissage profond ("conv5-FC3", ResNet et "SECNN") ainsi que linéaires. Nous avons étudié la généralisation de nos modèles en utilisant différentes cohortes et avons effectué un apprentissage multi-cohorte. Nous nous sommes appuyés sur une large population de 2 008 participants de l'étude IMAGEN, 993 et 403 participants des études QTIM et QTAB ainsi que 985 sujets de l'UKBiobank. Nous avons montré que les modèles d'apprentissage profond étaient plus performants que la régression ridge. Nous avons démontré que les performances du réseau "conv5-FC3" étaient au moins aussi bonnes que celles de réseaux plus complexes tout en conservant un faible temps de calcul. Nous avons montré que l'entraînement sur une seule cohorte peut manquer de variabilité alors que l'entraînement sur plusieurs cohortes améliore la généralisation. Nous avons appliqué cette méthode d'évaluation automatique de l'IHI, basée sur le conv5-FC3, pour mener une étude d'association pangénomique (GWAS) sur 39 432 participants de la UKBiobank en utilisant des modèles mixtes avec une approche "Leave One Chromosome Out". Nous avons identifié six nouveaux locus associés à l'IHI dans l'hémisphère gauche et cinq dans l'hémisphère droit, dont 3 des top SNPs associés répliquent pour les IHI dans les hémisphères gauches et droits respectivement. L'annotation fonctionnelle à l'aide de tests basés sur les gènes, tels que mBAT-combo, h-MAGMA et multi-SMR ont permis de découvrir neuf gènes dont l'expression est importante dans le cerveau et qui sont liés à diverses psycho-pathologies (DAAM1, GPR135, CREB3L4, SLC39A1, SLIT2, LEKR1, CCDC50, IL1RAP and GMNC). En étudiant l'expression des gènes au fil du temps, nous avons identifié plusieurs gènes présentant une expression différentielle au cours du développement prénatal. L'héritabilité a été estimée grâce à des études de jumeaux (H2 gauche=0,34(se=0,05); H2 droite=0,37(se=0,05)). Une héritabilité SNP de h2 left=0,24(se=0,01); h2 right=0,20(se=0,01) a été trouvée à travers plusieurs méthodes d'analyse. Une corrélation génétique modérée entre l'IHI et le volume cérébral et le trouble bipolaire (BIP) a été trouvée.