La parcellisation du cerveau humain en aires fonctionnelles est un problème complexe mais majeur pour la compréhension du fonctionnement du cerveau et pourrait avoir des applications médicales importantes en neurochirurgie par exemple pour mieux identifier les zones fonctionnelles à sauvegarder. Cet objectif va de pair avec l'idée de construire le connectome cérébral humain, qui n'est autre que le réseau de ses connexions.Pour définir un tel réseau, il faut en effet définir les éléments de ce réseau de connexions : c'est-à-dire avoir un découpage du cerveau en régions. Il existe de multiples manières et critères pour identifier ces régions et à ce jour il n'y a pas de parcellisation universelle du cortex. Dans cette thèse nous étudierons la possibilité d'effectuer cette parcellisation en fonction des données de connectivité anatomique, issues de l'imagerie par résonance magnétique de diffusion, qui est une technique d'acquisition permettant de reconstruire les faisceaux de neurones cérébraux de manière non invasive. Nous nous placerons dans un cadre surfacique en étudiant seulement la surface corticale et les connexions anatomiques sous-jacentes. Dans ce contexte nous présenterons un ensemble de nouveaux outils pour construire, visualiser et simuler le connectome cérébral humain, dans un cadre surfacique et à partir des données de connectivité anatomique reconstruites par IRM, et ceci pour un groupe de sujets. A partir de ces outils nous présenterons des méthodes de réduction de dimension des données de connectivité, que nous appliquerons pour parcelliser le cortex entier de quelques sujets. Nous proposons aussi une nouvelle manière de décomposer les données de connectivité au niveau d'un groupe de sujets en tenant compte de la variabilité inter-individuelle. Cette méthode sera testée et comparée à d'autres méthodes sur des données simulées et des données réelles. Les enjeux de ce travail sont multiples, tant au niveau méthodologique (comparaison de différents algorithmes de tractographie par exemple) que clinique (étude du lien entre altérations des connexions et pathologie).

L'imagerie par résonance magnétique fonctionnelle (IRMf) est une modalité récente permettant de mesurer in vivo l'activité neuronale chez le sujet sain ou le patient et d'étudier le lien entre la structure et la fonction cérébrale. Nous nous sommes intéressés à l'utilisation de l'information de l'anatomie cérébrale pour l'analyse des données fonctionnelles. Ainsi, nous avons reconsidéré l'analyse classique typiquement réalisée voxel par voxel avec lissage spatial pour proposer un modèle de représentation des données reposant sur une parcellisation anatomo-fonctionnelle du cortex. Cette représentation permet de réduire la dimension des données en un nombre restreint d'éléments pertinents du point de vue des neurosciences. Nous présentons des exemples d'utilisation de cette approche de parcellisation fondée sur l'anatomie seulement dans un premier temps. Une étude de détection d'activations par modèle linéaire met en évidence une sensibilité accrue comparée à une approche voxel par voxel. Nous présentons également deux autres applications utilisant des parcellisations, concernant la sélection de modèle régional et les études de connectivité fonctionnelle. Cette description permet en outre de proposer une solution au problème de l'analyse d'un groupe de sujets qui peuvent présenter une forte variabilité anatomique et fonctionnelle. Pour s'affranchir du délicat problème de mise en correspondance des différents sujets, nous avons présenté une parcellisation regroupant entre les sujets les régions homogènes du point de vue à la fois anatomique et fonctionnel. L'application de cette méthode sur un protocole fonctionnel montre sa robustesse pour les analyses multi-sujets.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Le cerveau humain est constitué d'un grand nombre de neurones inter-connectés formant des faisceaux de fibres de matière blanche permettant de transmettre des influx nerveux entre différentes régions. Dans cette thèse, divers aspects de la connectivité anatomique cérébrale ont été étudiés en utilisant l'Imagerie par Résonance Magnétique (IRM) et la tractographie. La tractographie est aujourd'hui la seule méthode permettant de reconstruire, en partie, les faisceaux de fibres de matière blanche in vivo et de manière non-invasive. (1) Une première étude visait à caractériser de manière quantitative les faisceaux d'association courts fronto-pariétaux reconstruits par tractographie dans la région centrale chez vingt sujets sains. (2) Une deuxième étude visait à définir une nouvelle méthode de parcellisation (i.e., subdiviser le cerveau en différentes régions macroscopiques) en utilisant comme critère structurel de base des motifs de connectivité reconstruits par tractographie. (3) Enfin, une troisième étude avait pour objectif de créer une ontologie neuroanatomique afin de représenter des régions de matière grise macroscopiques connectées par des faisceaux de fibres reconstruits par tractographie et d'annoter automatiquement des données de la connectomique humaine. L'utilisation de raisonneurs DL (Description Logic) usuels permettait de générer automatiquement des inférences relatives aux relations partie-tout, de connectivité ou enfin de voisinage spatial. / Human brain contains a great number of neurons interconnected forming white matter fiber bundles that can transmit information between different regions. In this thesis, different aspects of anatomical connectivity were studied using Magnetic Resonance Imaging (MRI) and tractography. Tractography is currently the only tool that allow to reconstruct white matter fiber bundles in the living human brain and in a non invasive way. (1) A first study aimed to characterize quantitatively the white matter fiber bundles reconstructed by tractography between the precentral and postcentral gyri in twenty healthy subjects. (2) A second study aimed to define a new parcellation scheme (i.e., subdivide the brain into different macroscopic regions) using connectivity patterns reconstructed by tractography as the main structural criteria. (3) Lastly, a third study aimed to create a new ontology in order to represent gray matter regions connected by white matter fiber bundles reconstructed by tractography and to annotate automatically connectomics datasets. The use of common DL (Description Logic) reasoners allowed to infer automatically some new axioms concerning especially part-whole, connectivity or spatial relationships.

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. / Magnetoencephalography (MEG) is a functional non-invasive modality which provides information on the temporal succession of cognitive processes with an excellent time resolution. Unfortunately, spatial resolution is limited due to the ill-posed nature of the MEG inverse problem for estimating source currents from the electromagnetic measurement. Cortex parcellation into regions sharing functional features constitutes a relevant spatial regularization. We propose a whole cortex parcellation method based on the anatomical connectivity mapped by diffusion MRI. Inside areas of a preparcellation, the correlation matrix between connectivity profiles is clustered. The cortex parcellation is then updated testing the similarity of diffusion data on both sides of pre-parcellation boundaries. MEG inverse problem is constrained from this result. Two methods have been developed. The first one is based on the subdivision of source space regarding the parcellation. The cortical activity is obtained on a set of parcels and its analysis is simplified. Not to force sources to have exactly the same value inside a cortical area, we develop an alternative method. We introduce a new regularization term in the MEG inverse problem which constrain sources in a same region to have close values. Our methods are applied on simulated and real subjects. Clinical application is also performed on epileptic data. Each contribution takes part of a pipeline whose each step is detailed to make our works reproducible.

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.

La parcellisation du cerveau humain en aires fonctionnelles est un problème complexe mais majeur pour la compréhension du fonctionnement du cerveau et pourrait avoir des applications médicales importantes en neurochirurgie par exemple pour mieux identifier les zones fonctionnelles à sauvegarder. Cet objectif va de pair avec l’idée de construire le connectome cérébral humain, qui n’est autre que le réseau de ses connexions.Pour définir un tel réseau, il faut en effet définir les éléments de ce réseau de connexions : c’est-à-dire avoir un découpage du cerveau en régions. Il existe de multiples manières et critères pour identifier ces régions et à ce jour il n’y a pas de parcellisation universelle du cortex. Dans cette thèse nous étudierons la possibilité d’effectuer cette parcellisation en fonction des données de connectivité anatomique, issues de l’imagerie par résonance magnétique de diffusion, qui est une technique d’acquisition permettant de reconstruire les faisceaux de neurones cérébraux de manière non invasive. Nous nous placerons dans un cadre surfacique en étudiant seulement la surface corticale et les connexions anatomiques sous-jacentes. Dans ce contexte nous présenterons un ensemble de nouveaux outils pour construire, visualiser et simuler le connectome cérébral humain, dans un cadre surfacique et à partir des données de connectivité anatomique reconstruites par IRM, et ceci pour un groupe de sujets. A partir de ces outils nous présenterons des méthodes de réduction de dimension des données de connectivité, que nous appliquerons pour parcelliser le cortex entier de quelques sujets. Nous proposons aussi une nouvelle manière de décomposer les données de connectivité au niveau d’un groupe de sujets en tenant compte de la variabilité inter-individuelle. Cette méthode sera testée et comparée à d’autres méthodes sur des données simulées et des données réelles. Les enjeux de ce travail sont multiples, tant au niveau méthodologique (comparaison de différents algorithmes de tractographie par exemple) que clinique (étude du lien entre altérations des connexions et pathologie). / In-vivo parcellation of the human cortex into functional brain areas is a major goal to better understand how the brain works and could have a lot of medical applications and give useful information to guide neurosurgery for example. This objective is related to the buildong of the human brain connectome, which is the networks of brain connections.Indeed, it is necessary to define the basic element of this connectome, and for doing this to have a subdivision of the cortex into brain regions. Actually, there is no such gold standard parcellation : there are a lot of techniques and methods to achieve this goal. During this PhD., anatomical connectivité based on diffusion-weighted imaging hase been used to address this problem, with a surfacic approach. In this context, we will present a set of new tools to create, visualize and simulate the human brain connectome for a group of subjects. We will introduce dimension reduction methods to compile the cortical connectivity profiles taking into account the interindividual variability. These methods will be apply to parcellate the cortex, for one subject or for a group of subjects simultaneously.There are many applications of this work, in methodology, to compare tractography algorithms for example or in clinical, to look at the relations between connections damages and pathology.

L'imagerie par résonance magnétique fonctionnelle (IRMf) étant une technique non invasive pour l'étude de cerveau, elle a été employée pour comprendre les mécanismes cérébraux sous-jacents à la prise alimentaire. Cependant, l'utilisation de stimuli liquides pour simuler la prise alimentaire engendre des difficultés supplémentaires par rapport aux stimulations visuellement habituellement mises en œuvre en IRMf. L'objectif de cette thèse a donc été de proposer une méthode robuste d'analyse des données tenant compte de la spécificité d'une stimulation alimentaire. Pour prendre en compte le mouvement dû à la déglutition, nous proposons une méthode de censure fondée uniquement sur le signal mesuré. Nous avons de plus perfectionné l'étape de normalisation des données afin de réduire la perte de signal. La principale contribution de cette thèse est d'implémenter l'algorithme de Ward de sorte que parcelliser l'ensemble du cerveau soit réalisable en quelques heures et sans avoir à réduire les données au préalable. Comme le calcul de la distance euclidienne entre toutes les paires de signaux des voxels représente une part importante de l'algorithme de Ward, nous proposons un algorithme cache-aware du calcul de la distance ainsi que trois parallélisations sur les architectures suivantes : architecture à mémoire partagée, architecture à mémoire distribuée et GPU NVIDIA. Une fois l'algorithme de Ward exécuté, il est possible d'explorer toutes les échelles de parcellisation. Nous considérons plusieurs critères pour évaluer la qualité de la parcellisation à une échelle donnée. À une échelle donnée, nous proposons soit de calculer des cartes de connectivités entre les parcelles, soit d'identifier les parcelles répondant à la stimulation à l'aide du coefficient de corrélation de Pearson. / As a non-invasive technology for studying brain imaging, functional magnetic resonance imaging (fMRI) has been employed to understand the brain underlying mechanisms of food intake. Using liquid stimuli to fake food intake adds difficulties which are not present in fMRI studies with visual stimuli. This PhD thesis aims to propose a robust method to analyse food stimulated fMRI data. To correct the data from swallowing movements, we have proposed to censure the data uniquely from the measured signal. We have also improved the normalization step of data between subjects to reduce signal loss.The main contribution of this thesis is the implementation of Ward's algorithm without data reduction. Thus, clustering the whole brain in several hours is now feasible. Because Euclidean distance computation is the main part of Ward algorithm, we have developed a cache-aware algorithm to compute the distance between each pair of voxels. Then, we have parallelized this algorithm for three architectures: shared-memory architecture, distributed memory architecture and NVIDIA GPGPU. Once Ward's algorithm has been applied, it is possible to explore multi-scale clustering of data. Several criteria are considered in order to evaluate the quality of clusters. For a given number of clusters, we have proposed to compute connectivity maps between clusters or to compute Pearson correlation coefficient to identify brain regions activated by the stimulation.

Durant les dernières décennies, l'IRM fonctionnelle a permis de cartographier les différentes fonctions cérébrales et, plus récemment, d'identifier les réseaux fonctionnels qui décrivent les interactions qui peuvent s'établir entre régions cérébrales, proches ou distantes, lors de l'exécution d'une tâche cognitive. Pour identifier ces réseaux, une stratégie récente repose sur une parcellisation préliminaire du cerveau en régions fonctionnellement homogènes, puis sur l'identification des réseaux fonctionnels significatifs depuis une mesure des interactions entre l'ensemble des régions. Ainsi, la première partie de cette thèse propose une nouvelle méthode de parcellisation du cerveau en régions fonctionnellement homogènes. La méthode proposée est exploratoire et multi-niveaux : elle fournit plusieurs niveaux de parcellisation, et nous avons montré que les régions définies par notre méthode se superposent de manière satisfaisante aux structures anatomiques du cortex. Dans la deuxième partie de la thèse, nous avons proposé une méthode originale d'identification des réseaux fonctionnels. L'approche développée permet la significativité des réseaux étant donné leur taille et le seuil utilisé pour leur détection. Une telle approche permet de détecter des réseaux de faible taille qui impliquent des liens très significatifs, et également des réseaux plus grands impliquant des liens moins significatifs. Enfin, nous avons développé une approche permettant de classer les réseaux obtenus, de manière à réaliser une étude de groupe. L'information disponible sur l'ensemble des sujets permet alors de définir des classes qui synthétisent les caractéristiques des réseaux les plus partagés au sein d'une population de sujets.

Les parcellations cérébrales sont appliquées en neuroimagerie pour aider les chercheurs à ré- duire la haute dimensionnalité des données d’IRM fonctionnelle. L’objectif principal est une meilleure compréhension de l’organisation fonctionnelle du cerveau tant chez les sujets sains que chez les sujets souffrant de troubles neurologiques, dont la maladie d’Alzheimer. Malgré la vague d’approches de parcellations précédentes, les mesures de performance doivent en- core être améliorées pour générer des parcellations fiables, même avec de longues acquisitions. Autrement dit, une reproductibilité plus élevée qui permet aux chercheurs de reproduire des parcellations et de comparer leurs études. Il est également important de minimiser la perte d’informations entre les données compressées et les données brutes pour représenter avec précision l’organisation d’un cerveau individuel. Dans cette thèse, j’ai développé une nou- velle approche pour parcellaire le cerveau en reconfigurations spatiales distinctes appelées «états dynamiques de parcellations». J’ai utilisé une méthode d’agrégation de cluster simple DYPAC1.0 de parcelles basées sur des semences sur plusieurs fenêtres de temps. J’ai émis l’hypothèse que cette nouvelle façon de formaliser le problème de parcellisation améliorera les mesures de performance par rapport aux parcellations statiques. Le premier chapitre de ce document est une introduction générale au contexte des réseaux à grande échelle du cerveau humain. Je montre également l’importance des parcellations pour une meilleure compréhension du cerveau humain à l’aide de connectomes fonctionnels afin de prédire les schémas de progression de la maladie. Ensuite, j’explique pourquoi le problème de parcelli- sation cérébrale est difficile et les différentes questions de recherche ouvertes associées à ce domaine. Mes contributions à la recherche sont subdivisées en deux articles. Les deuxième et troisième chapitres sont consacrés au premier article principal et à son supplément publié dans Network Neuroscience Journal. Le quatrième chapitre représente le deuxième document en préparation. Le cinquième chapitre conclut mes contributions et ses implications dans le domaine de la neuroimagerie, ainsi que des orientations de recherche ouvertes. En un mot, la principale conclusion de ce travail est l’existence de reconfigurations spatiales distinctes dans tout le cerveau avec des scores de reproductibilité presque parfaits sur les données de test-retest (jusqu’à 0,9 coefficient de corrélation de Pearson). Un algorithme d’agrégation de cluster simple et évolutif appelé DYPAC 1.0 est expliqué pour identifier ces reconfigu- rations ou «états dynamiques de parcellations» pour des sous-réseaux de départ spécifiques (deuxième chapitre). L’analyse de ces états a montré l’existence d’un répertoire plus riche «d’états dynamiques» dans le cas des cortex hétéromodaux (ex: cortex cingulaire posté- rieur et cortex cingulaire antérieur dorsal) par rapport aux cortex unimodaux (ex: cortex visuel). En outre, les résultats de l’analyse de reproductibilité ont montré que DYPAC 1.0 a de meilleurs résultats de reproductibilité (en termes de corrélation de Pearson) par rapport aux parcelles statiques (deuxième chapitre). Plusieurs analyses démontrent que DYPAC 1.0 est robuste au choix de ses paramètres (troisième chapitre). Ces résultats et l’évolutivité de DYPAC 1.0 ont motivé une analyse complète du niveau cérébral. Je présente DYPAC 2.0 comme une approche au niveau cérébral complet pour fragmenter le cerveau en «états dynamiques de parcellations». Des reconfigurations spatiales distinctes et se chevauchant ou «états dynamiques» sont identifiées pour différentes régions du cerveau (quatrième chapitre). Ces états ont des scores de compression prometteurs qui montrent une faible perte d’infor- mations entre les cartes de stabilité d’état réduit et les données d’origine dans les cortex cérébraux, c’est-à-dire jusqu’à seulement 20% de perte de la variance expliquée. Cette thèse présente ainsi de nouvelles contributions dans le domaine de la parcellisation fonctionnelle qui pourraient avoir un impact sur la manière dont les chercheurs modélisent les interactions riches et dynamiques entre les réseaux cérébraux dans la santé et la maladie. / Brain parcellations are applied in neuroimaging to help researchers reduce the high dimen- sionality of the functional MRI data. The main objective is a better understanding of the brain functional organization in both healthy subjects and subjects having neurological dis- orders, including Alzheimer disease. Despite the flurry of previous parcellation approaches, the performance measures still need improvement to generate reliable parcellations even with long acquisitions. That is, a higher reproducibility that allows researchers to replicate par- cellations and compare their studies. It is also important to minimize the information loss between the compressed data and the raw data to accurately represent the organization of an individual brain. In this thesis, I developed a new approach to parcellate the brain into distinct spatial reconfigurations called “dynamic states of parcellations”. I used a simple cluster aggregation method DYPAC1.0 of seed based parcels over multiple time windows. I hypothesized this new way to formalize the parcellation problem will improve performance measures over static parcellations. The first chapter of this document is a general context introduction to the human brain large scale networks. I also show the importance of par- cellations for a better understanding of the human brain using functional connectomes in order to predict patterns of disease progression. Then, I explain why the brain parcellation problem is hard and the different open research questions associated with this field. My research contributions are subdivided into two papers. The second and the third chapters are dedicated to the first main paper and its supplementary published in Network Neuro- science Journal. The fourth chapter represents the second paper under preparation. The fifth chapter concludes my contributions and its implications in the neuroimaging field, along with open research directions. In a nutshell, the main finding of this work is the existence of distinct spatial reconfigurations throughout the brain with near perfect reproducibility scores across test-retest data (up to .9 Pearson correlation coefficient). A simple and scalable clus- ter aggregation algorithm called DYPAC 1.0 is explained to identify these reconfigurations or “dynamic states of parcellations” for specific seed subnetworks (second chapter). The analysis of these states showed the existence of a richer repertoire of “dynamic states” in the case of heteromodal cortices (e.g., posterior cingulate cortex and the dorsal anterior cingulate cortex) compared to unimodal cortices (e.g., visual cortex). Also, the reproducibility analysis results showed that DYPAC 1.0 has better reproducibility results (in terms of Pearson corre- lation) compared to static parcels (second chapter). Several analyses demonstrate DYPAC 1.0 is robust to the choice of its parameters (third chapter). These findings and the scalabil- ity of DYPAC 1.0 motivated a full brain level analysis. I present DYPAC 2.0 as the full brain level approach to parcellate the brain into “dynamic states of parcellations”. Distinct and overlapping spatial reconfigurations or “dynamic states” are identified for different regions throughout the brain (fourth chapter). These states have promising compression scores that show low information loss between the reduced state stability maps and the original data throughout the cerebral cortices, i.e. up to only 20% loss in explained variance. This thesis thus presents new contributions in the functional parcellation field that may impact how researchers model the rich and dynamic interactions between brain networks in health and disease.