Non-integer Order Modelling and Signal Based Brain Tissue Classification in Stereoelectroencephalography

Classification du tissu cérébral basée sur le signal et la modèlisation d'ordre non entier en stéréoélectroencéphalographie L'épilepsie est un trouble neurologique qui touche plus de 15 millions de personnes dans le monde. Dans les cas où les patients souffrent d'épilepsie focale résistante aux médicaments, une chirurgie résective peut être envisagée. Pour qu'une telle chirurgie soit réussie, il est impératif d'identifier correctement la zone épileptique (ZE) à enlever, ainsi que le cortex éloquent à éviter. L'un des examens préchirurgicaux qui peut être réalisé est la stéréoélectroencéphalographie (SEEG), dans laquelle des électrodes sont placées directement dans le cerveau du patient. Lors de cet examen, la classification correcte des contacts est cruciale pour l'identification correcte des ZE. Non seulement cela aide à choisir les contacts à enregistrer, mais aussi, en cas de stimulation cérébrale directe, il est important de savoir quel type de tissu est stimulé car ils ont des dynamiques différentes.Jusqu'à présent, la grande majorité de la classification des tissus cérébraux se fait par imagerie, le plus souvent avec le co-enregistrement de l'imagerie par résonance magnétique (IRM) et de la tomographie par ordinateur (CT). Ce processus d'étiquetage n'est pas toujours disponible. De plus, ces méthodes sont limitées par les résolutions d'imagerie, ce qui peut parfois induire des erreurs de classification. Il est donc intéressant d'explorer d'autres types de classification des tissus qui ne reposent pas sur l'imagerie.Dans ce contexte, l'objectif de cette thèse est de proposer différentes méthodes de classification des tissus cérébraux en utilisant uniquement les signaux typiques mesurés lors des examens SEEG avec le patient au repos. Dans cette étude, deux approches principales ont été proposées pour y parvenir : Une approche basée sur le signal, et une approche basée sur un modèle. Dans le premier cas, les signaux SEEG bruts ont été considérés, et les caractéristiques ont été extraites directement soit des domaines temporel et fréquentiel, soit de la réponse fréquentielle non-paramétrique des contacts consécutifs appariés. Pour l'approche basée sur un modèle, un circuit électronique est proposé prenant en compte des trios de contacts consécutifs, sur la base des propriétés physiques de l'interface cerveau-électrode discutées dans la littérature. Un algorithme d'identification a été proposé pour identifier un tel modèle basé sur des techniques de modélisation dynamique, avec la spécificité de traiter la dynamique d'ordre fractionnaire.Les deux approches ont été testées avec des données enregistrées chez 19 patients épileptiques. L'étiquetage préalable provenant du co-enregistrement de l'IRM et du CT scanner des patients est utilisé pour la classification supervisée. Dans l'approche par le signal, les caractéristiques obtenues à partir de la réponse en fréquence non paramétrique se sont avérées être les plus discriminantes, avec une précision allant jusqu'à 72+-1% en considérant les paires de contacts dans un tissu homogène avec une analyse discriminante linéaire (LDA). Pour la seconde approche, la précision obtenue était de 73+-6% avec un classificateur LDA en considérant des trios de contacts dans des tissus hétérogènes. Les caractéristiques proposées dans ce travail se sont avérées plus discriminantes que celles proposées dans le seul autre travail qui utilise les signaux SEEG pour la classification des tissus cérébraux. Enfin, les deux approches, celle du signal et celle du modèle, ont été combinées pour créer un classificateur général des tissus cérébraux capable de classer les combinaisons de tissus homogènes et hétérogènes entre des trios de contacts consécutifs.En l'état, les méthodes de classification proposées peuvent être utilisées comme support aux méthodes existantes basées sur l'imagerie, et peuvent aider les médecins à prendre des décisions pendant l'examen SEEG.