A

Appel

A

Résumé

AMCervUS :
Apprentissage Machine appliqué à l’échographie ultrarapide pour la caractérisation vasculaire et fonctionnelle du Cerveau

L’échographie ultrarapide cérébrale est une technique récemment introduite par le laboratoire Physique pour la Médecine Paris pour visualiser et quantifier les flux sanguins du cerveau à très haute sensibilité. La technique permet de détecter les flux sanguins (mode d’imagerie vasculaire appelé Doppler ultrasensible, uDoppler), et leurs variations liées à une activité neuronale (mode d’imagerie fonctionnelle par ultrasons, fUS).

Cette technologie innovante permet de suivre l’hémodynamique du cerveau chez le rongeur pour des applications variées : caractérisation de pathologies cérébro-vasculaires, ou études comportementales de l’animal éveillé, en mouvement, au repos ou dans différentes phases de sommeil. Initialement implémentée pour l’imagerie 2D (plan de coupe du cerveau), l’échographie ultrarapide cérébrale est à présent développée pour l’imagerie 3D (cerveau entier). L’enregistrement de l’hémodynamique au cours du temps et dans le cerveau entier est extrêmement riche en information, mais constitue une très grande quantité de données à analyser nécessitant des algorithmes puissants. A l’heure actuelle, le traitement de données est manuel et il n’existe pas d’outil automatisé pour analyser et comparer les données de manière robuste.

L’objectif principal de cette thèse est donc de mettre au point des outils puissants de traitement automatisé de données, basés sur des algorithmes d’apprentissage machine. Au cours de cette thèse, l’étudiant/e développera des algorithmes d’apprentissage machine pour :

  • Améliorer la qualité des images vasculaires du cerveau
  • Recalibrer spatialement les images 3D pour pouvoir comparer des données issues de différentes sessions d’imagerie
  • Identifier des anomalies cérébro-vasculaires ou différents états fonctionnels

De tels outils d’analyse renforceront considérablement le potentiel de l’échographie ultrarapide cérébrale en permettant d’extraire les informations pertinentes pour le diagnostic médical ou le suivi de thérapies ainsi que l’identification d’états fonctionnels en neurosciences.

É

Équipes

  • Physique pour la médecine Paris – CNRS : Centre national de la recherche scientifique and École supérieure de physique et de chimie industrielles and Inserm and Institut Langevi