This thesis focuses on the analysis of the cardiac electrical and kinematic function for heart failure patients. An expected outcome is a set of computational tools that may help a clinician in understanding, diagnosing and treating patients suffering from cardiac motion asynchrony, a specific aspect of heart failure. Understanding the inverse electro-kinematic coupling relationship is the main task of this study. With this knowledge, the widely available cardiac image sequences acquired non-invasively at clinics could be used to estimate the cardiac electrophysiology (EP) without having to perform the invasive cardiac EP mapping procedures. To this end, we use real clinical cardiac sequence and a cardiac electromechanical model to create controlled synthetic sequence so as to produce a training set in an attempt to learn the cardiac electro-kinematic relationship. Creating patient-specific database of synthetic sequences allows us to study this relationship using a machine learning approach. A first contribution of this work is a non-linear registration method applied and evaluated on cardiac sequences to estimate the cardiac motion. Second, a new approach in the generation of the synthetic but virtually realistic cardiac sequence which combines a biophysical model and clinical images is developed. Finally, we present the cardiac electrophysiological activation time estimation from medical images using a patient-specific database of synthetic image sequences.

Le travail de thèse porte sur l'analyse de la fonction électrique et mécanique du cœur afin d'étudier les effets de l'insuffisance cardiaque. Il débouche sur un ensemble d'outils qui peuvent aider le clinicien à mieux comprendre et traiter l'asynchronisme cardiaque, un des aspects de l'insuffisance cardiaque. Il a pour principal objectif de résoudre le problème inverse du couplage électro-cinématique : estimer l'électrophysiologie cardiaque sans avoir à effectuer des procédures invasives de cartographie cardiaque. Les séquences cardiaques acquises de manière non-invasive sont déjà largement utilisées dans les centres cliniques et pourraient permettre de caractériser l'électrophysiologie cardiaque sans procédure invasive. La première contribution de ce travail est l'évaluation d'une méthode de recalage non-linéaire appliquée sur des séquences cardiaques pour l'estimation du mouvement. La deuxième est une nouvelle approche de simulation de séquences synthétiques d'images cardiaque. Nous utilisons des séquences réelles et un modèle électromécanique du cœur pour créer des séquences synthétiques contrôlées. Le réalisme des séquences générées repose sur l'utilisation conjointe d'un modèle biophysique et d'images réelles lors de la simulation. Enfin, la troisième contribution concerne une méthode d'estimation de la carte d'activation électrique du cœur à partir d'images médicales. Pour ce faire, nous utilisons une base de données d'images synthétiques cardiaques personnalisée à chaque patient. Ces images et les cartes d'activation électrique utilisées lors de la simulation fournissent une base d'entrainement pour apprendre la relation électro-cinématique du cœur. / This thesis focuses on the analysis of the cardiac electrical and kinematic function for heart failure patients. An expected outcome is a set of computational tools that may help a clinician in understanding, diagnosing and treating patients suffering from cardiac motion asynchrony, a specific aspect of heart failure. Understanding the inverse electro-kinematic coupling relationship is the main task of this study. With this knowledge, the widely available cardiac image sequences acquired non-invasively at clinics could be used to estimate the cardiac electrophysiology (EP) without having to perform the invasive cardiac EP mapping procedures. To this end, we use real clinical cardiac sequence and a cardiac electromechanical model to create controlled synthetic sequence so as to produce a training set in an attempt to learn the cardiac electro-kinematic relationship. Creating patient-specific database of synthetic sequences allows us to study this relationship using a machine learning approach. A first contribution of this work is a non-linear registration method applied and evaluated on cardiac sequences to estimate the cardiac motion. Second, a new approach in the generation of the synthetic but virtually realistic cardiac sequence which combines a biophysical model and clinical images is developed. Finally, we present the cardiac electrophysiological activation time estimation from medical images using a patient-specific database of synthetic image sequences.

Cette thèse porte sur un problème de calibration d'un modèle électromécanique de cœur, personnalisé à partir de données d'imagerie médicale 3D+t ; et sur celui - en amont - de suivi du mouvement cardiaque. A cette fin, nous adoptons une méthodologie fondée sur l'apprentissage statistique. Pour la calibration du modèle mécanique, nous introduisons une méthode efficace mêlant apprentissage automatique et une description statistique originale du mouvement cardiaque utilisant la représentation des courants 3D+t. Notre approche repose sur la construction d'un modèle statistique réduit reliant l'espace des paramètres mécaniques à celui du mouvement cardiaque. L'extraction du mouvement à partir d'images médicales avec quantification d'incertitude apparaît essentielle pour cette calibration, et constitue l'objet de la seconde partie de cette thèse. Plus généralement, nous développons un modèle bayésien parcimonieux pour le problème de recalage d'images médicales. Notre contribution est triple et porte sur un modèle étendu de similarité entre images, sur l'ajustement automatique des paramètres du recalage et sur la quantification de l'incertitude. Nous proposons une technique rapide d'inférence gloutonne, applicable à des données cliniques 4D. Enfin, nous nous intéressons de plus près à la qualité des estimations d'incertitude fournies par le modèle. Nous comparons les prédictions du schéma d'inférence gloutonne avec celles données par une procédure d'inférence fidèle au modèle, que nous développons sur la base de techniques MCMC. Nous approfondissons les propriétés théoriques et empiriques du modèle bayésien parcimonieux et des deux schémas d'inférence / This thesis focuses on the calibration of an electromechanical model of the heart from patient-specific, image-based data; and on the related task of extracting the cardiac motion from 4D images. Long-term perspectives for personalized computer simulation of the cardiac function include aid to the diagnosis, aid to the planning of therapy and prevention of risks. To this end, we explore tools and possibilities offered by statistical learning. To personalize cardiac mechanics, we introduce an efficient framework coupling machine learning and an original statistical representation of shape & motion based on 3D+t currents. The method relies on a reduced mapping between the space of mechanical parameters and the space of cardiac motion. The second focus of the thesis is on cardiac motion tracking, a key processing step in the calibration pipeline, with an emphasis on quantification of uncertainty. We develop a generic sparse Bayesian model of image registration with three main contributions: an extended image similarity term, the automated tuning of registration parameters and uncertainty quantification. We propose an approximate inference scheme that is tractable on 4D clinical data. Finally, we wish to evaluate the quality of uncertainty estimates returned by the approximate inference scheme. We compare the predictions of the approximate scheme with those of an inference scheme developed on the grounds of reversible jump MCMC. We provide more insight into the theoretical properties of the sparse structured Bayesian model and into the empirical behaviour of both inference schemes