Ce travail a consisté premièrement en une étude en cross over comparant l’effet d’une sieste versus une période de repos sur une mesure électrophysiologique de récupération motrice post-exercice chez des patients fatigués atteints de sclérose en plaques (SEP) (n=12) et des témoins sains (n=12). Cette mesure correspondait à l'amplitude des potentiels moteurs évoqués par la stimulation magnétique corticale et enregistrés au niveau de la main effectuant l'exercice. Cette étude a montré que la fonction restauratrice du sommeil sur la récupération de la dépression des potentiels évoqués moteurs post-exercice était altérée chez les patients atteints de SEP et fatigués comparativement à la population témoin. Deuxièmement, une étude comparative de la puissance spectrale de la bande de fréquence delta et sigma dans les différents stades de sommeil puis de la pente des ondes lentes du sommeil lent profond a été effectuée à partir de données polysomnographiques dans une série de patients atteints de SEP et fatigués (n=15) comparés à des sujets sains (n=15). L’hypothèse posée était que la perte de l’effet restaurateur du sommeil sur les performances motrices dans la SEP pouvait être le reflet d’un dysfonctionnement de la synchronisation de certains réseaux neuronaux. Nos résultats ne montrent pas d’altération de la pente des ondes lentes chez les patients atteints de SEP comparativement aux sujets sains, ce qui invalide notre hypothèse. Cependant, une diminution de la puissance spectrale dans les bandes de fréquences sigma et delta a été retrouvée chez les patients atteints de SEP comparativement à la population témoin. Ce résultat pourrait être expliqué par des différences concernant les microéveils corticaux, les mouvements périodiques de jambes éveillants ou le sex-ratio entre les deux groupes. L'implication d'une altération des connexions thalamo-corticales par atteinte myélinique dans la perte de la fonction restauratrice du sommeil reste tout de même une hypothèse à explorer dans le cadre de la SEP. / This work consisted first in a crossover study comparing the effect of a nap versus a rest on an electrophysiological measure of post-exercise motor recovery in fatigued patients with multiple sclerosis (MS) (n = 12) and healthy controls (n = 12). This measure corresponded to the amplitude of motor potentials evoked by magnetic stimulation of the cortex, recorded at the hand performing the exercise. This study showed that the restorative function of sleep on the recovery of post-exercise motor evoked potential depression was impaired in fatigued MS patients compared to controls. Second, a comparative study of the spectral power density in the sigma and delta bands at different stages of sleep and of the slope of slow wave during deep sleep was conducted from polysomnographic data in a series of fatigued MS patients (n = 15) compared to healthy subjects (n = 15). The assumption was that the loss of the restorative effect of sleep on motor performance in MS could be due to a dysfunction of synchronization in some neural networks. Our results show no impairment of slow waves slope in patients with MS compared to healthy subjects, which invalidates our hypothesis. However, a decrease in the spectral power density in the sigma and delta bands was found in patients with MS as compared to controls. This result could be explained by differences in micro-arousals, periodic movements of legs or sex-ratio between the two groups. The involvement of an alteration in thalamocortical connections due to myelin damage in the loss of the restorative function of sleep still remains a hypothesis to be explored as part of MS.

«Machine Learning» est un champ d'étude de l'intelligence artificielle qui se concentre sur des algorithmes capables d'adapter leur paramètres en se basant sur les données observées par l'optimisation d'une fonction objective ou d'une fonction de cout. Cette discipline a soulevé l'intérêt de la communauté de la recherche biomédicale puisqu'elle permet d'améliorer la sensibilité et la spécificité de la détection et du diagnostic de nombreuses pathologies tout en augmentant l'objectivité dans le processus de prise de décision thérapeutique. L'imagerie biomédicale est devenue indispensable en médecine, puisque plusieurs modalités comme l'imagerie par résonance magnétique (IRM), la tomodensitométrie et la tomographie par émission de positron sont de plus en plus utilisées en recherche et en clinique. L'IRM est la technique d'imagerie non-invasive de référence pour l'étude du cerveau humain puisqu'elle permet dans un temps d'acquisition raisonnable d'obtenir à la fois des cartographies structurelles et fonctionnelles avec une résolution spatiale élevée. Cependant, avec l'augmentation du volume et de la complexité des données IRM, il devient de plus en plus long et difficile pour le clinicien d'intégrer toutes les données afin de prendre des décisions précises. Le but de cette thèse est de développer des méthodes de « machine learning » automatisées pour la détection de tissu cérébral anormal, en particulier dans le cas de suivi de glioblastome multiforme (GBM) et de sclérose en plaques (SEP). Les techniques d'IRM conventionnelles (IRMc) actuelles sont très utiles pour détecter les principales caractéristiques des tumeurs cérébrales et les lésions de SEP, telles que leur localisation et leur taille, mais ne sont pas suffisantes pour spécifier le grade ou prédire l'évolution de la maladie. Ainsi, les techniques d'IRM avancées, telles que l'imagerie de perfusion (PWI), de diffusion (DKI) et la spectroscopie par résonance magnétique (SRM), sont nécessaires pour apporter des informations complémentaires sur les variations du flux sanguin, de l'organisation tissulaire et du métabolisme induits par la maladie. Dans une première étude de suivi de patients GBM, seuls les paramètres d'IRM avancés ont été explorés dans un relativement petit sous-groupe de patients. Les paramètres de PWI moyens, mesurés dans les régions d'intérêts (ROI) délimités manuellement, se sont avérés être d'excellents marqueurs, puisqu'ils permettent de prédire l'évolution du GBM en moyenne un mois plus tôt que le clinicien. Dans une seconde étude, réalisée sur un échantillon plus important que la précédente, la SRM a été remplacée par l'IRMc et la quantification de la PWI et du kurtosis de diffusion (DKI) a été réalisée de manière automatique. L'extraction des paramètres d'imagerie a été effectuée sur des segmentations semi-automatiques des tumeurs, réduisant ainsi le temps nécessaire au clinicien pour la délimitation du ROI de la partie de la lésion rehaussée au produit de contraste (CE-ROI). L'application d'un algorithme modifié de «boosting» sur les paramètres extraits des ROIs a montré une grande précision pour le diagnostic du GBM. Dans une troisième, une version modifiée des cartes paramétriques de réponse (PRM) est proposée pour prendre en compte la région d'infiltration de la tumeur, réduisant toujours plus le temps nécessaire pour la délimitation de la tumeur par le clinicien, puisque toutes les images IRM sont recalées sur la première. Deux façons de générer les RPM ont été comparées, l'une basée sur l'IRMc et l'autre basée sur la PWI, ces deux paramètres étant les meilleurs pour la discrimination de l'évolution du GBM, comme le montrent les deux études précédentes. Les résultats de cette étude montrent que l'emploi de PRM basés sur l'IRMc permet d'obtenir des résultats supérieurs à ceux obtenus avec les PRM basés sur la PWI [etc…] / Machine learning is a subdiscipline in the field of artificial intelligence, which focuses on algorithms capable of adapting their parameters based on a set of observed data, by optimizing an objective or cost function. Machine learning has been the subject of large interest in the biomedical community because it can improve sensitivity and/or specificity of detection and diagnosis of any disease, while increasing the objectivity of the decision-making process. With the late increase in volume and complexity of medical data being collected, there is a clear need for applying machine learning algorithms in multi-parametric analysis for new detection and diagnostic modalities. Biomedical imaging is becoming indispensable for healthcare, as multiple modalities, such as Magnetic Resonance Imaging (MRI), Computed Tomography, and Positron Emission Tomography, are being increasingly used in both research and clinical settings. The non-invasive standard for brain imaging is MRI, as it can provide structural and functional brain maps with high resolution, all within acceptable scanning times. However, with the increase of MRI data volume and complexity, it is becoming more time consuming and difficult for clinicians to integrate all data and make accurate decisions. The aim of this thesis is to develop machine learning methods for automated preprocessing and diagnosis of abnormal brain tissues, in particular for the followup of glioblastoma multiforme (GBM) and multiple sclerosis (MS). Current conventional MRI (cMRI) techniques are very useful in detecting the main features of brain tumours and MS lesions, such as size and location, but are insufficient in specifying the grade or evolution of the disease. Therefore, the acquisition of advanced MRI, such as perfusion weighted imaging (PWI), diffusion kurtosis imaging (DKI), and magnetic resonance spectroscopic imaging (MRSI), is necessary to provide complementary information such as blood flow, tissue organisation, and metabolism, induced by pathological changes. In the GBM experiments our aim is to discriminate and predict the evolution of patients treated with standard radiochemotherapy and immunotherapy based on conventional and advanced MRI data. In the MS experiments our aim is to discriminate between healthy subjects and MS patients, as well as between different MS forms, based only on clinical and MRSI data. As a first experiment in GBM follow-up, only advanced MRI parameters were explored on a relatively small subset of patients. Average PWI parameters computed on manually delineated regions of interest (ROI) were found to be perfect biomarkers for predicting GBM evolution one month prior to the clinicians. In a second experiment in GBM follow-up of a larger subset of patients, MRSI was replaced by cMRI, while PWI and DKI parameter quantification was automated. Feature extraction was done on semi-manual tumour delineations, thereby reducing the time put by the clinician for manual delineating the contrast enhancing (CE) ROI. Learning a modified boosting algorithm on features extracted from semi-manual ROIs was shown to provide very high accuracy results for GBM diagnosis. In a third experiment in GBM follow-up of an extended subset of patients, a modified version of parametric response maps (PRM) was proposed to take into account the most likely infiltration area of the tumour, reducing even further the time a clinician would have to put for manual delineating the tumour, because all subsequent MRI scans were registered to the first one. Two types of computing PRM were compared, one based on cMRI and one based on PWI, as features extracted with these two modalities were the best in discriminating the GBM evolution, according to results from the previous two experiments. Results obtained within this last GBM analysis showed that using PRM based on cMRI is clearly superior to using PRM based on PWI [etc…]