Université de Rennes Joint analysis of multimodal data in epilepsy Analyse conjointe de données multimodales en épilepsie EEGlocalisation de sourcesproblème inverseméthodes des sous-espacesrégularisationconnectivité structurelle EEGsource localizationinverse problemsubspace-based methodregularizationstructural connectivity Épilepsie Électroencéphalographie Problèmes inverses Traitement du signal L’épilepsie est l’une des maladies neurologiques les plus fréquentes, et près d’un tiers des patients sont résistants aux traitements médicamenteux, nécessitant une intervention chirurgicale pour retirer les zones cérébrales à l’origine des crises. La localisation de ces zones épileptogènes repose sur la résolution d’un problème inverse mal posé, nécessitant l’ajout de contraintes pour obtenir une solution stable. Parmi les approches existantes, les méthodes de localisation de sources basées sur les sous-espaces, telles que MUSIC, échouent lorsque les sources sont corrélées, une situation fréquente dans l’épilepsie. Cette thèse propose un cadre unifié de régularisation intégrant la métrique sous-espaces comme terme d’attache aux données dans un problème d’optimisation. Différentes contraintes ont été explorées pour mieux approcher la réalité physiologique des sources épileptiques : la parcimonie pour traiter les corrélations entre sources, la continuité spatiale pour modéliser les sources étendues, et l’intégration d’informations structurelles issues de l’IRM de diffusion. Enfin, des extensions méthodologiques ont été proposées, notamment l’usage de statistiques d’ordre supérieur et une stratégie séquentielle de recherche de sources, afin d’améliorer la robustesse et la précision de la localisation. Epilepsy is one of the most common neurological disorders, with nearly one-third of patients resistant to medication and requiring surgical removal of the brain regions responsible for seizures. Localizing these epileptogenic zones involves solving an ill-posed inverse problem that requires additional constraints for a stable solution. Among existing methods, subspace-based source localization approaches, such as MUSIC, fail when sources are correlated, a frequent scenario in epilepsy. This thesis introduces a unified regularization framework that embeds the subspace metric as a data-fit term within an optimization problem. Several constraints were investigated to better reflect the physiological nature of epileptic sources: sparsity to handle correlated sources, spatial smoothness to model extended cortical sources, and structural connectivity priors derived from diffusion MRI. Finally, methodological extensions were proposed, including the use of higher-order statistics and a sequential source estimation strategy, to enhance robustness and localization accuracy. Electronic Thesis or DissertationText en application/pdf1 : 14131 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/7353dbbd-af7d-4ac3-ae4c-3fcd963e2696 Joud Carla 1999-04-19 FR 298431998 carlajoud@gmail.com 2025URENS124 http://www.theses.fr/2025URENS124 2025-12-12 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Rennesthesis.degree.grantor_2 Doctorat non ouiAlberaLaurentintervenant_107748004XColoignerJulieintervenant_2169474097Le Bouquin Jeannès‎Régineintervenant_5075662310MerletIsabelleintervenant_6153044357BénarChristianintervenant_3187234825RousseauFrançoisintervenant_4075894467 MATISSEecoleDoctorale_1 267602553 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:620 ddc:610 AlberaLaurentColoignerJulieBénarChristianRousseauFrançoisLe Bouquin Jeannès‎RégineMerletIsabelleUniversité de RennesRennesMATISSE Laboratoire de Traitement du Signal et de l'Image ASCII PDF 14470586