| Imprimer |
| Graph signal processing to estimate biomarkers of brain connectivity (Traitement de signal sur graphe pour l'estimation de biomarqueurs de connectivité cérébrale) Dam, Sébastien - (2025-10-24) / Université de Rennes Graph signal processing to estimate biomarkers of brain connectivity
| |||
Langue : Anglais Directeur(s) de thèse: Maurel, Pierre; Coloigner, Julie Discipline : Informatique Laboratoire : INRIA-RENNES Ecole Doctorale : MATISSE Classification : Informatique, Médecine et santé Mots-clés : IRM de diffusion, Maladies mentales, Théorie des graphes
| |||
Résumé : Cette thèse étudie l’approche multimodale basée sur le traitement de signal sur graphe (TSG) pour intégrer la connectivité cérébrale structurelle et les signaux BOLD, mesurés par l’IRM de diffusion et fonctionnelle, respectivement. Dans une première partie, nous utilisons la théorie des graphes pour extraire les régions cérébrales liées à la dépression. Puis, du point de vue du TSG, nous montrons que l’analyse multimodale apporte une plus grande précision dans la classification d'adolescents anxieux et dépressifs, par rapport aux analyses unimodales. Dans une deuxième partie, nous essayons d’améliorer la localisation du signal à la fois dans le domaine spatial et spectral du graphe. Pour ce faire, nous concevons des paquets d’ondelettes sur graphe afin de créer un nouvel ensemble de transformées qui prennent mieux en compte la structure sous-jacente du graphe. Ensuite, nous exploitons et étendons l’approche Slepian de graphe qui vise à se concentrer sur un ensemble spécifique de nœuds sans exclure le sous-graphe. Nous proposons une décomposition spectrale des signaux BOLD dans des structures cérébrales localisées ainsi qu’une méthode de filtrage permettant d’examiner les patterns d’interactions entre les réseaux cérébraux. Dans une troisième partie, nous développons l’apprentissage sur graphe en utilisant les réseaux de neurones convolutionnels pour intégrer la structure et la fonction. Abstract : This thesis investigates a multimodal framework based on graph signal processing (GSP) to integrate brain’s structural connectivity and BOLD signals, derived from diffusion MRI and functional MRI, respectively. In a first part, we use graph theory to extract salient brain regions related to depression in structural graphs of depressed adults. Then, from the GSP perspective, we show that multimodal analysis provides higher classification accuracy in most classification tasks with anxious and depressed patients, compared to relying on unimodal analyses. In a second part, we aim to improve signal localization in both spatial and spectral domains of the graph. We design graph wavelet packets to create a new set of transforms fully that take into account the graph structure. Following this, we leverage and extend the graph Slepian framework, which aims to focus on a specific set of nodes without cutting out the sub-graph. We propose a spectral decomposition of BOLD signals on localized brain structures and a filtering scheme that enables us to examine network interactions patterns. In a third part, we develop learning on graphs using graph convolutional networks to integrate structure and function. | |||