La magnéto-encéphalographie (MEG) mesure l'activité cérébrale avec un excellent décours temporel mais sa localisation sur la surface corticale souffre d'une mauvaise résolution spatiale. Le problème inverse MEG est dit mal-posé et doit de ce fait être régularisé. La parcellisation du cortex en régions de spécificité fonctionnelle proche constitue une régularisation spatiale pertinente du problème inverse MEG. Nous proposons une méthode de parcellisation du cortex entier à partir de la connectivité anatomique cartographiée par imagerie de diffusion. Au sein de chaque aire d'une préparcellisation, la matrice de corrélation entre les profils de connectivité des sources est partitionnée. La parcellisation obtenue est alors mise à jour en testant la similarité des données de diffusion de part et d'autre des frontières de la préparcellisation. C'est à partir de ce résultat que nous contraignons spatialement le problème inverse MEG. Dans ce contexte, deux méthodes sont développées. La première consiste à partitionner l'espace des sources au regard de la parcellisation. L'activité corticale est alors obtenue sur un ensemble de parcelles. Afin de ne pas forcer les sources à avoir exactement la même intensité au sein d'une parcelle, nous développons une méthode alternative introduisant un nouveau terme de régularisation qui, lorsqu'il est minimisé, tend à ce que les sources d'une même parcelle aient des valeurs de reconstruction proches. Nos méthodes de reconstruction sont testées et validées sur des données simulées et réelles. Une application clinique dans le cadre du traitement de données de sujets épileptiques est également réalisée.

Dans cette thèse, nous présentons un système complet permettant de sauvegarder un processus destructif tel qu'une dissection anatomique. Nous proposons une méthode depuis l'acquisition 3D des données jusqu'à la visualisation interactive et immersive, dans le but de créer une vérité terrain. L'acquisition 3D regroupe l'acquisition de la géométrie par scanner laser (maillage) ainsi que de l'information de couleur par le biais d'un appareil photo haute résolution (texture). Ce processus d'acquisition et répété au cours de la dissection du spécimen. Les différentes acquisitions du spécimen sont représentées par des surfaces 3D texturées. Elles sont ensuite recalées entre elles. Un expert anatomiste peut alors explorer ces différentes étapes de dissections modélisées dans une visualisation immersive en utilisant du matériel d'interaction (bras haptique). Un outil d'étiquetage permet une segmentation manuelle précise de régions d'intérêt visibles sur chacune des surfaces 3D. Un objet tridimensionnel peut ensuite être reconstruit et proposé à l'utilisateur sur la base des zones d'intérêt étiquetées. Le but étant de créer des vérité terrains afin de confronter des résultats issus de modalités d'acquisition volumiques (IRM). Nous montrons l'application de la méthode à la reconstruction de faisceaux de fibres blanches humaine dans le but de valider des résultats de tractographie.

Cette thèse est consacrée à l'élaboration de nouvelles méthodes d'acquisition et de traitement de données en IRM de diffusion (IRMd) afin de caractériser la diffusion des molécules d'eau dans les fibres de matière blanche à l'échelle d'un voxel. Plus particulièrement, nous travaillons sur un moyen de reconstruction précis de l'Ensemble Average Propagator (EAP), qui représente la fonction de probabilité de diffusion des molécules d'eau. Plusieurs modèles de diffusion tels que le tenseur de diffusion ou la fonction de distribution d'orientation sont très utilisés dans la communauté de l'IRMd afin de quantifier la diffusion des molécules d'eau dans le cerveau. Ces modèles sont des représentations partielles de l'EAP et ont été développés en raison du petit nombre de mesures nécessaires à leurs estimations. Cependant, il est important de pouvoir reconstruire précisément l'EAP afin d'acquérir une meilleure compréhension des mécanismes du cerveau et d'améliorer le diagnostique des troubles neurologiques. Une estimation correcte de l'EAP nécessite l'acquisition de nombreuses images de diffusion sensibilisées à des orientations différentes dans le q-space. Ceci rend son estimation trop longue pour être utilisée dans la plupart des scanners cliniques. Dans cette thèse, nous utilisons des techniques de reconstruction parcimonieuses et en particulier la technique connue sous le nom de Compressive Sensing (CS) afin d'accélérer le calcul de l'EAP. Les multiples aspects de la théorie du CS et de son application à l'IRMd sont présentés dans cette thèse.

Cette thèse est consacrée à l'élaboration de nouvelles méthodes d'acquisition et de traitement de données en IRM de diffusion (IRMd) afin de caractériser la diffusion des molécules d'eau dans les fibres de matière blanche à l'échelle d'un voxel. Plus particulièrement, nous travaillons sur un moyen de reconstruction précis de l'Ensemble Average Propagator (EAP), qui représente la fonction de probabilité de diffusion des molécules d'eau. Plusieurs modèles de diffusion tels que le tenseur de diffusion ou la fonction de distribution d'orientation sont très utilisés dans la communauté de l'IRMd afin de quantifier la diffusion des molécules d'eau dans le cerveau. Ces modèles sont des représentations partielles de l'EAP et ont été développés en raison du petit nombre de mesures nécessaires à leurs estimations. Cependant, il est important de pouvoir reconstruire précisément l'EAP afin d'acquérir une meilleure compréhension des mécanismes du cerveau et d'améliorer le diagnostique des troubles neurologiques. Une estimation correcte de l'EAP nécessite l'acquisition de nombreuses images de diffusion sensibilisées à des orientations différentes dans le q-space. Ceci rend son estimation trop longue pour être utilisée dans la plupart des scanners cliniques. Dans cette thèse, nous utilisons des techniques de reconstruction parcimonieuses et en particulier la technique connue sous le nom de Compressive Sensing (CS) afin d'accélérer le calcul de l'EAP. Les multiples aspects de la théorie du CS et de son application à l'IRMd sont présentés dans cette thèse.

Bien qu'outil de référence pour le diagnostic et le suivi de la SEP, l'IRM conventionnelle ne reste que modérément corrélée à l'état clinique du patient. Afin de mieux caractériser les altérations pathologiques, nous employons dans ce travail les techniques d'IRM dites non conventionnelles que sont la spectroscopie par résonance magnétique (SRM) et l'IRM de diffusion. Un premier suivi hebdomadaire, a permis de mettre en évidence la sensibilité des métriques de diffusion et la spécificité de la SRM pour détecter les processus initiaux de la formation d'une lésion.Un second suivi a permis de mettre en évidence des modifications de la diffusivité dans plusieurs faisceaux de substance blanche, avec notamment une diminution de la fraction d'anisotropie et une augmentation de diffusivité radiale, s'aggravant avec l'avancée de la maladie et plus marquée dans les formes progressives.Enfin, l'application de la théorie des graphes a permis de caractériser la connectivité cérébrale dans les quatre formes cliniques et d'étudier leur évolution. Cette étude a permis de mettre en évidence des altérations dans tous les phénotypes cliniques, avec notamment une diminution de la densité du réseau cérébral, plus importante dans les formes progressives de la maladie et tendant à s'accentuer avec la progression de la maladie.Ce travail montre la sensibilité des techniques avancées d'IRM pour la caractérisation des altérations pathologiques et de leur évolution dans la SEP / While conventional MRI is the reference tool for the diagnosis and monitoring of MS, it remains only moderately correlated with the patient’s clinical status. In order to better characterize pathological alterations occurring in MS, we use in this work non-conventional MRI techniques, namely magnetic resonance spectroscopy (MRS) and diffusion MRI.A first weekly follow-up revealed the sensitivity of the diffusion metrics and the specificity of the SRM to detect the initial processes of lesion formation.A second follow-up revealed changes in diffusivity in several white matter fiber bundles, including a decrease in fraction of anisotropy and an increase in radial diffusivity, worsening with advancing disease and more marked in the progressive forms.Finally, the application of graph theory allowed to characterize the brain connectivity in the four clinical forms and to study their evolution. This study allowed us to highlight alterations in all the four clinical phenotypes, including a decrease in the cerebral network density, more marked in the progressive forms of the disease and tending to increase with its progression.This work shows the sensitivity of advanced MRI techniques for the characterization of pathological alterations and their evolution in MS

Cette thèse propose des techniques pour le traitement d'images IRM de diffusion. Les méthodes proposées concernent l'estimation et la régularisation, le groupement et la segmentation ainsi que le recalage. Le cadre variationnel proposé dans cette thèse pour l'estimation d'un champ de tenseurs de diffusion à partir d'observations bruitées exploite le fait que les données de diffusion représentent des populations de fibres et que chaque tenseur peut être reconstruit à partir d'une combinaison pondérée de tenseurs dans son voisinage. La méthode de segmentation traite aussi bien les voxels que les fibres. Elle est basée sur l'utilisation de noyaux défini-positifs sur des probabilités gaussiennes de diffusion afin de modéliser la similarité entre tenseurs et les interactions spatiales. Ceci permet de définir des métriques entre fibres qui combinent les informations de localisation spatiale et de tenseurs de diffusion. Plusieurs approches de groupement peuvent être appliquées par la suite pour segmenter des champs de tenseurs et des trajectoires de fibres. Un cadre de groupement supervisé est proposé pour étendre cette technique. L'algorithme de recalage utilise les noyaux sur probabilités pour recaler une image source et une image cible. La régularité de la déformation est évaluée en utilisant la distortion induite sur les distances entre probabilités spatialement voisines. La minimisation de la fonctionnelle de recalage est faite dans un cadre discret. La validation expérimentale est faite sur des images du muscle du mollet pour des sujets sains et pour des patients atteints de myopathies. Les résultats des techniques développées dans cette thèse sont encourageants. / In this thesis, we present several techniques for the processing of diffusion tensor images. They span a wide range of tasks such as estimation and regularization, clustering and segmentation, as well as registration. The variational framework proposed for recovering a tensor field from noisy diffusion weighted images exploits the fact that diffusion data represent populations of fibers and therefore each tensor can be reconstructed using a weighted combination of tensors lying in its neighborhood. The segmentation approach operates both at the voxel and the fiber tract levels. It is based on the use of Mercer kernels over Gaussian diffusion probabilities to model tensor similarity and spatial interactions, allowing the definition of fiber metrics that combine information from spatial localization and diffusion tensors. Several clustering techniques can be subsequently used to segment tensor fields and fiber tractographies. Moreover, we show how to develop supervised extensions of these algorithms. The registration algorithm uses probability kernels in order to match moving and target images. The deformation consistency is assessed using the distortion induced in the distances between neighboring probabilities. Discrete optimization is used to seek an optimum of the defined objective function. The experimental validation is done over a dataset of manually segmented diffusion images of the lower leg muscle for healthy and diseased subjects. The results of the techniques developed throughout this thesis are promising.

L'imagerie pondérée en diffusion est un type d'acquisition IRM spécifique basé sur la direction de diffusion des molécules d'eau dans le cerveau. Cela permet, au moyen de plusieurs acquisitions, de modéliser la microstructure du cerveau, comme la matière blanche qui à une taille très inférieur à la résolution du voxel. L'obtention d'un grand nombre d'images nécessite, pour un usage clinique, des techniques d'acquisition ultra rapide tel que l'imagerie parallèle. Malheureusement, ces images sont entachées de large distorsions. Nous proposons une méthode de recalage par blocs basée sur l'acquisition d'images avec des directions de phase d'encodage opposées. Cette technique spécialement conçue pour des images écho planaires, mais qui peut être générique, corrige les images de façon robuste tout en fournissant un champs de déformation. Cette transformation est applicable à une série entière d'image de diffusion à partir d'une seule image b 0 renversée, ce qui permet de faire de la correction de distorsion avec un temps d'acquisition supplémentaire minimal. Cet algorithme de recalage, qui a été validé à la fois sur des données synthétiques et cliniques, est disponible avec notre programme de traitement d'images Anima. A partir de ces images de diffusion, nous sommes capable de construire des modèles de diffusion multi-compartiment qui représentent la microstructure complexe du cerveau. Pour pouvoir produire des analyses statistiques sur ces modèles, nous devons être capable de faire du recalage, du moyennage, ou encore de créer un atlas d'images. Nous proposons une méthode générale pour interpoler des modèles multi-compartiment comme un problème de simplification basé sur le partitionnement spectral. Cette technique qui est adaptable pour n'importe quel modèle, a été validé à la fois sur des données synthétiques et réelles. Ensuite à partir d'une base de données recalée, nous faisons des analyses statistiques en extrayant des paramètres au niveau du voxel. Une tractographie, spécifiquement conçue pour les modèles multi-compartiment, est aussi utilisée pour faire des analyses en suivant les fibres de matière blanche. Ces outils sont conçus et appliqués à des données réelles pour contribuer à la recherche de biomarqueurs pour les pathologies cérébrales. / Diffusion weighted imaging (DWI) is a specific type of MRI acquisition based on the direction of diffusion of the brain water molecule. Its allow, through several acquisitions, to model brain microstructure, as white matter, which are significantly smaller than the voxel-resolution. To acquire a large number of images in a clinical use, very-fast acquisition technique are required as single-shot imaging, however these acquisitions suffer local large distortions. We propose a Block-Matching registration method based on a the acquisition of images with opposite phase-encoding directions (PED). This technique specially designs for Echo-Planar Images (EPI), but which could be generic, robustly correct images and provide a deformation field. This field is applicable to an entire DWI series from only one reversed b 0 allowing distortion correction with a minimal time acquisition cost. This registration algorithm has been validated both on a phantom data set and on in-vivo data and is available in our source medical image processing toolbox Anima. From these diffusion images, we are able to construct multi-compartments models (MCM) which could represented complex brain microstructure. We need to do registration, average, create atlas on these MCM to be able to make studies and produce statistic analysis. We propose a general method to interpolate MCM as a simplification problem based on spectral clustering. This technique, which is adaptable for any MCM, has been validated for both synthetic and real data. Then, from a registered dataset, we made analysis at a voxel-level doing statistic on MCM parameters. Specifically design tractography can also be perform to make analysis, following tracks, based on individual compartment. All these tools are designed and used on real data and contribute to the search of biomakers for brain diseases.

Des troubles cognitifs sévères peuvent apparaître de façon précoce au cours de la sclérose en plaques(SEP). Nous avons analysé les modifications de connectivité fonctionnelle de repos au sein des réseauxcérébraux et les modifications structurelles cérébrales qui les sous-tendent.Nous avons inclus des patients atteints de SEP dont la durée de la maladie est comprise entre 3 et 5ans, sans trouble cognitif (n=20) et avec un trouble cognitif (n=15) ainsi que des sujets contrôles(n=20). Après une évaluation neuropsychologique approfondie, les patients et contrôles ont eu uneIRM multimodalité à 3T comportant des séquences anatomiques T1 et T2, une séquence en tenseur dediffusion pour l’évaluation de la connectivité anatomique, et une IRM fonctionnelle de repos pourl’évaluation de la connectivité fonctionnelle.Les patients avec atteinte cognitive ont des performances diminuées pour l’ensemble des domainesneuropsychologiques testés en dehors du stockage mnésique. La connectivité fonctionnelle est altéréechez les patients avec atteinte cognitive au sein des réseaux impliqués dans les processus cognitifscomme le réseau du mode par défaut et les réseaux attentionnels. Ces modifications fonctionnelles nereflètent pas de façon stricte la connectivité anatomique évaluée par l’IRM de diffusion. En revanche,les patients avec atteinte cognitive ont une atrophie marquée de la SG dans des régions connectées auréseau du mode par défaut.La diminution de connectivité fonctionnelle au sein des réseaux impliqués dans la cognition pourraitlimiter les mécanismes de compensation fonctionnelle en réponse à l’atteinte structurelle cérébrale. / Severe cognitive impairment involving multiple cognitive domains can occur early during the course of multiple sclerosis (MS). We investigated resting state functional connectivity changes in large-scale brain networks and related structural damage underlying cognitive dysfunction in patients with early MS.We included MS patients with 3 to 5 years of disease duration, either without cognitive impairment (n=20), or with cognitive impairment (n=15), and 20 controls. After a standardized neuropsychological evaluation, all subjects underwent a multimodal 3T MRI including anatomical T1 and T2 images, diffusion imaging to assess anatomical connectivity and resting state functional MRI to assess functional connectivity.Patients with cognitive dysfunction were impaired in all cognitive domains tested except for mnesic storage. Functional connectivity was altered in patients with cognitive impairment only, within associative networks relevant for cognition, especially the default mode and the attentional networks. This functional disconnection did not parallel diffusion abnormalities in white matter tracts. In patients with cognitive impairment, atrophy was localized in cortical regions connecting the default mode network. Disconnection in these networks may deprive the brain of compensatory mechanisms required to face widespread structural damage.

Les techniques d'imagerie par résonance magnétique de Diffusion (IRMd) et de Perfusion (IRMp) permettent la détection de divers aspects importants et complémentaires en imagerie cérébrale. Le travail effectué dans cette thèse présente des contributions théoriques et méthodologiques sur les modalités d'IRM basées sur des images pondérées en diffusion, et sur des images de perfusion par injection de produit de contraste. Pour chacune des deux modalités, les contributions de la thèse sont liées au développement de nouvelles méthodes pour améliorer la qualité, le traitement et l'exploitation des signaux acquis. En IRM de diffusion, la nature complexe du signal est étudiée avec un accent sur l'information de phase. Le signal complexe est ensuite exploité pour corriger le biais induit par le bruit d'acquisition des images, améliorant ainsi l'estimation de certaines métriques structurelles. En IRM de perfusion, le traitement du signal est revisité afin de tenir compte du biais dû à la dispersion du bolus. On montre comment ce phénomène, qui peut empêcher la correcte estimation des métriques de perfusion, peut aussi donner des informations importantes sur l'état pathologique du tissu cérébral. Les contributions apportées dans cette thèse sont présentées dans un cadre théorique et méthodologique validé sur de nombreuses données synthétiques et réelles. / Diffusion and Perfusion Magnetic Resonance Imaging (dMRI & pMRI) represent two modalities that allow sensing important and different but complementary aspects of brain imaging. This thesis presents a theoretical and methodological investigation on the MRI modalities based on diffusion-weighted (DW) and dynamic susceptibility contrast (DSC) images. For both modalities, the contributions of the thesis are related to the development of new methods to improve and better exploit the quality of the obtained signals. With respect to contributions in diffusion MRI, the nature of the complex DW signal is investigated to explore a new potential contrast related to tissue microstructure. In addition, the complex signal is exploited to correct a bias induced by acquisition noise of DW images, thus improving the estimation of structural scalar metrics. With respect to contributions in perfusion MRI, the DSC signal processing is revisited in order to account for the bias due to bolus dispersion. This phenomenon prevents the correct estimation of perfusion metrics but, at the same time, can give important insights about the pathological condition of the brain tissue. The contributions of the thesis are presented within a theoretical and methodological framework, validated on both synthetical and real images.

L’imagerie par résonance magnétique de diffusion (IRMd) et de l’IRM fonctionnelle (IRMf) permettent d’explorer la connectivité cérébrale de façon in vivo. Avec l’IRMd, l’architecture du cerveau est inférée en observant la diffusion des molécules d’eau le long des faisceaux de matière blanche. La reconstitution virtuelle de ces fibres est appelée tractographie et représente encore un défi dans ce domaine. Avec l’IRMf, la connectivité fonctionnelle entre deux régions cérébrales est obtenue en examinant la corrélation spatiotemporelle des basses fréquences présentes dans le signal. Effectuer ces analyses sur l’entièreté des voxels du cerveau est très coûteux en termes de temps de calcul et nécessite des connaissances anatomiques précises à chaque individu. Bien qu’il y ait eu d’énormes progrès dans la sophistication des techniques d’imagerie pour traiter les maladies cérébrales, l’infrastructure informatique pour soutenir celles-ci est encore au niveau de l’Âge de pierre, entravant ainsi à leur déploiement en salle d’opération. Il est donc impératif de développer de nouveaux outils informatiques pouvant gérer la complexité de ces données dans un temps efficace. Cette thèse vise à réorienter le paradigme standard d’imagerie cérébrale qui généralise l’information entre individus vers une approche individualisée. Pour ce faire, nous avons 1) quantifié la variabilité présente dans les données d’IRM. Puis, nous avons 2) développé des outils neuro-informatiques permettant d’explorer la connectivité cérébrale au niveau individuel. Ces outils ont permis entre autres 3) d’améliorer la reconstruction virtuelle des radiations optiques, procurant ainsi une information plus complète aux neurochirurgiens. À terme, les méthodes proposées dans ce mémoire fourniront de l’aide aux chirurgiens afin d’améliorer le pronostic d’un patient. / Abstract : Combining diffusion Magnetic Resonance Imaging (dMRI) and functional MRI (fMRI) permits a unique way of exploring brain connectivity in vivo. With dMRI, information about the structural architecture of the brain can be obtained by probing the diffusion of water molecules in and around the white matter (WM) fiber pathways. The process of virtually reconstructing these pathways is called tractography and still represents a difficult challenge in the field. With fMRI, functional connectivity is derived by examining the spatio-temporal correlations in the low frequency bracket of the blood-oxygen-level dependent (BOLD) signal. However, this process can be computationally expensive and requires anatomical knowledge. This thesis aims at shifting the standard brain imaging paradigm of generalizing information across individuals towards a subject-specific approach. Indeed, valuable information is discarded when assuming constant parameters across subjects. From a neurosurgical perspective, capturing the idiosyncrasies of individuals is paramount and requires a highlyspecialized set of mathematical tools. There have been huge advances in the sophistication of brain imaging techniques to treat brain diseases, but computational infrastructure to support the guidance of such treatment has lagged behind, hindering accessibility to their robust deployment. It is therefore imperative to develop a set of new mathematical and computational tools that can handle the complexity of these data in a time efficient manner. Here, applied cutting edge computational methods to improve scientific visualization of brain imaging data in a subject-specific fashion. Ultimately, the methods proposed here will allow surgeons to make a far more informed decision on patient outcome.