Machine Learning Application In Neuroscience For Pre-Surgical Brain Tumor Removal Procedure

Application de l’apprentissage automatique en neurosciences pour la procédure d’ablation pré-chirurgicale d’une tumeur cérébrale La résection d’une tumeur cérébrale est une procédure médicale essentielle pratiquée par les neurochirurgiens. Les zones fonctionnelles du cerveau doivent être identifiées et préservées pendant l’opération afin de maintenir la fonction neurologique altérée par la tumeur. L’imagerie par résonance magnétique fonctionnelle (IRMf) est utilisée pour la planification chirurgicale afin d’identifier ces zones sur la base du signal dépendant de l’oxygène du sang (BOLD), qui augmente le flux sanguin dans les régions cérébrales activées. Des paradigmes basés sur des tâches, comme le tapotement des doigts ou la parole, sont traditionnellement utilisés pour cette identification, mais ils prennent du temps et nécessitent la coopération du patient. L’IRMf à l’état de repos (IRMf-R) est une méthode alternative qui analyse les oscillations spontanées du signal BOLD pour identifier les réseaux de connectivité indépendants. Cependant, la reconnaissance manuelle de ces réseaux pendant l’intervention chirurgicale est difficile et sujette à des erreurs. Pour y remédier, nous avons proposé d’utiliser des techniques d’apprentissage automatique et de vision par ordinateur pour reconnaître automatiquement sept réseaux cérébraux fonctionnels à partir de données d’IRMf. La collecte de grandes quantités de don-nées d’IRMf est difficile en raison des limites du partage des données. Nous avons exploré l’apprentissage par transfert en formant des modèles avec des données saines et en les appliquant à des données malsaines pour surmonter cette limitation. Cette approche tire parti de la similitude entre les réseaux d’activation fonctionnelle du cerveau chez les sujets sains et non sains. En outre, nous avons développé un modèle d’apprentissage par auto-supervision qui utilise des ensembles de données saines non étiquetées pour pré-entraîner le modèle, éliminant ainsi la nécessité d’une annotation fastidieuse des données par les cliniciens. Nous avons également étudié les différences entre les données saines et malsaines afin de comprendre leur relation et la manière dont elles affectent la transférabilité et la classification des réseaux cérébraux fonctionnels. En outre, nous avons proposé une méthode de réduction des dimensions et un encodage graphique des images IRMf en utilisant l’apprentissage de la représentation graphique pour éviter les paramètres d’apprentissage importants, les modèles complexes et les exigences informatiques. Cette approche permet d’apprendre efficacement les signaux utiles dans les images d’IRMf et d’obtenir des résultats comparables aux modèles de réseaux neuronaux convolutionnels (CNN) avec des paramètres de modèle réduits.