Modèle profond de prédiction de la motricité basé sur graphes issus d'IRM cérébrales de diffusion

Le Laboratoire Angevin de Recherche en Ingénierie des Systèmes (LARIS) est une Unité de Recherche pluridisciplinaire en Sciences et Technologies dépendant de l’Université d’Angers (UA). Notre objectif est de cultiver une ouverture disciplinaire forte pour le champ des STIC, ceci pour faire émerger des thèmes de recherche originaux. Les méthodes développées par nos équipes et le caractère innovant des solutions proposées permettent de répondre efficacement aux besoins de connaissances opérationnelles et d'expertises. Nous favorisons le développement de travaux scientifiques faisant principalement appel aux compétences des Sciences et Technologies de l’Information et de la Communication (STIC) en y associant, pour certaines thématiques, ou champs applicatifs, celles des Sciences Pour l'Ingénieur (SPI) et des Sciences du Vivant (SV).

Le laboratoire est composé de 3 équipes interconnectées :

       - Systèmes Dynamiques et Optimisation (SDO)

      - Information, Signal, Image et Sciences du Vivant (ISISV)

      - Sûreté de Fonctionnement et aide à la Décision (SFD)

Le stage s'effectuera au sein de l'équipe ISISV.

Environ 30% des enfants ayant eu un AVC néonatal ischémique développent des troubles moteurs permanents connus sous le terme de paralysie cérébrale (Chabrier, et al. 2019). L’étude de régions clés du cerveau peut aider à mieux comprendre les déficiences motrices manuelles provoquées (Craig, Carlson and Kirton 2019) (Hassett, et al. 2022) (Ilves, et al. 2022). La compréhension des phénomènes découlant de la présence de cette lésion cérébrale précoce peut s’appuyer sur une caractérisation par l’image. Si des travaux ont déjà permis de souligner un lien entre les informations morphologiques extraites d’IRM structurelles (Coupeau, et al. 2024) et les fonctions motrices manuelles, des informations complémentaires issues d’autres modalités d’imagerie (ex. IRM de diffusion (Kirton, et al. 2016)) pourraient favoriser une meilleure compréhension des mécanismes entrant en jeu.

L’essor récent des réseaux de neurones sur graphes (GNN) (Bacciu, et al. 2020) permet d’aborder la multimodalité et la complexité de l’information grâce à des architectures basées sur graphes où nœuds et arêtes embarquent des caractéristiques extraites de l’image. Les GNN ont montré leur capacité à agréger efficacement les informations du graphe et les interactions entre nœuds, notamment pour des applications en médecine (Demirbilek et Rekik 2023).

L’objectif de ce stage consistera à analyser les IRM de diffusion d’une cohorte d’enfants de 7 ans (avec ou sans AVC néonatal), à en extraire des caractéristiques pertinentes pour les modéliser sous forme de graphe et à évaluer l’efficacité des GNN à prédire la motricité manuelle de ces enfants à partir de ces informations.

La première partie du stage consistera à se familiariser avec les données de diffusion et à automatiser la chaîne de traitement des IRM de diffusion (DWI) de la base de données : correction des distorsions, estimation de la fonction de réponse, estimation de la distribution d’orientation des fibres, tractographie. Cette partie fera appel aux librairies MRtrix (Tournier, et al. 2019) et FSL (Jenkinson, et al. 2012) manipulées dans un environnement Unix.

Dans un second temps, le/a stagiaire aura pour mission de construire des graphes modélisant le nombre de fibres nerveuses connectant différentes régions d’intérêt déjà identifiées (noyaux gris centraux, thalamus, pédoncule cérébral). Cette étape se fera en langage Python à l’aide de la librairie PyTorch geometric (Fey et Lenssen 2019) et de codes issus de travaux préexistants de l’équipe (Coupeau, et al. 2024).

Enfin, la dernière mission consistera à entraîner et appliquer un réseau de neurones sur graphes déjà implémenté pour tenter de prédire la motricité des enfants à partir de l’information de diffusion extraite et modélisée sous forme de graphe.

Le stage se déroulera au laboratoire LARIS (Polytech Angers).

Connaissances en traitement d'images, apprentissage profond, langage Python et environnement Unix.