Data-driven methods for characterizing individual differences in brain MRI

Kumar, Kuldeep (2018). Data-driven methods for characterizing individual differences in brain MRI. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (32MB) | Prévisualisation
Prévisualisation	PDF Télécharger (5MB) | Prévisualisation

Résumé

Understanding the structure and function of the human brain is an outstanding problem that is critical to the development of efficient treatments for neurological diseases like Alzheimer’s and Parkinson’s. While most studies make group level inferences, researchers have established that structure and function show variability across individuals. Motivated by these, recent studies have focused on defining compact characterizations of individual brains, called brain fingerprints. So far, these studies have mostly focused on single modalities, with functional connectivity based fingerprints gaining considerable research interest. However, there are certain aspects which have not been addressed. First, the potential of fingerprints based on structural connectivity has not been fully explored. This is in part due to the challenges arising from fiber tracking data, including lack of gold standard and bundle variability. Second, due to the challenges of combining multiple modalities in a single framework, defining a multi-modal brain fingerprint remains to this day an elusive task. Yet, since each modality captures unique properties of the brain, combining multiple modalities could provide a richer, more discriminative information. This thesis addresses these challenges through three distinct contributions.

The first contribution consists of efficient approaches, based on kernel dictionary learning and sparsity priors, for segmenting white matter fibers and characterizing their inter-subject variability. The general principle of the proposed approaches is to learn a compact dictionary of training streamlines capable of describing the whole dataset, and to encode bundles as a sparse combination of multiple dictionary prototypes. These approaches allow streamlines to be assigned to more than one bundle, making them more suitable for scenarios where streamlines are not clearly separated, bundles overlap, or when there is important inter-individual variability. Additionally, they do not require an explicit representation of the streamlines and can extend to any streamline representation or distance/similarity measure. Experiments on a labeled set and data from HCP highlight the ability of our approaches to group streamlines into plausible bundles, and illustrate the benefits of employing sparsity priors.

The second contribution is a novel brain fingerprint, called Fiberprint, which is the first to capture white matter fiber geometry in individual subjects. This fingerprint leverages the sparse dictionary learning approaches of the first contribution to map streamlines of subjects to a common space representing prominent bundles. Compact fingerprints are generated by applying a pooling function for each bundle, encoding unique properties of streamlines such as their density along bundles. In a large-scale analysis using data from 861 HCP subjects, the proposed Fiberprint is shown capable of identifying exemplars from the same individual or genetically related subjects, with only a small number of streamlines.

Lastly, the third contribution of this thesis is a first data-driven framework to generate brain fingerprints from multi-modal data. The key idea is to represent each image as a bag of local features, and use these multi-modal features to map subjects in a low-dimension subspace called manifold. Experiments using the T1/T2-weighted MRI, diffusion MRI, and resting state fMRI data of 945 HCP subjects demonstrate the benefit of combining multiple modalities, with multi-modal fingerprints more discriminative than those generated from individual modalities. Results also highlight the link between fingerprint similarity and genetic proximity, with monozygotic twins having more similar fingerprints than dizygotic or non-twin siblings.

The work described in this thesis can be of benefit to various neuroscience studies. The segmentation approaches presented in the thesis provide a flexible and efficient way to analyze 3D curves like tractography streamlines, and is suitable for large-scale analyses of structural connectivity. The proposed Fiberprint, which is the first brain fingerprint characterizing white matter fiber geometry, offers a powerful technique to explore individual differences in terms of white matter connectivity and its relationship to genetics. By including along-tract information on microstructure, it could also be used to define novel biomarkers for detecting and tracking the progression of neurological diseases like Parkinson’s. Finally, the multi-modal brain fingerprint stemming from this research complements ongoing efforts to analyze individual brains characteristics by allowing to compare and contrast the contribution of different imaging modalities. It can thus lead to new insights on the variability of both brain structure and function, which could help the development of personalized treatment strategies.

Titre traduit

Méthodes basées sur les données pour caractériser les differences individuelles dans l'IRM cérébrale

Résumé traduit

Comprendre la structure et la fonction du cerveau humain est un problème de taille, essential au développement de traitements efficaces pour les maladies neurologiques comme la maladie d’Alzheimer et la maladie de Parkinson. Alors que la plupart des études font des inferences au niveau de groupes d’individus, les chercheurs ont établi que la structure et la fonction du cerveau varient d’un individu à un autre. Motivés par cette observation, plusieurs travaux récents se sont consacrés au développement de caractérisations compactes de cerveaux individuels, appelées empreintes du cerveau. Jusqu’à présent, ces études se sont principalement concentrées sur des empreintes à base d’une seule modalité, en particulier, utilisant la connectivité fonctionnelle. Cependant, plusieurs aspects importants n’ont pas été abordés dans ces études. Premièrement, le potentiel des empreintes cérébrales basées sur la connectivité structurelle n’a pas été exploré à fond. Ceci est en partie dû aux défis découlant des données de tractographie, y compris l’absence d’un étalon de comparaison et la variabilité des faisceaux de fibres. Deuxièmement, en raison des difficultés liées à la combinaison de plusieurs modalities dans un modèle unique, le développement d’une empreinte cérébrale multimodale demeure à ce jour un problème non-résolu. Cependant, puisque chaque modalité capture des proprieties uniques du cerveau, la combinaison de plusieurs modalités pourrait fournir une information plus riche et plus discriminante. Cette thèse aborde ces défis à travers trois contributions distinctes.

La première contribution consiste en des approches efficaces, basées sur l’apprentissage de dictionnaires par noyaux et les aprioris de parcimonie, pour la segmentation des fibres de la matière blanche et la caractérisation de leur variabilité inter-sujet. Le principe général des approches proposées est d’apprendre un dictionnaire compact de fibres capable de decrier l’ensemble des données, et d’encoder les faisceaux comme une combinaison parcimonieuse de plusieurs prototypes du dictionnaire. Ces approches permettent d’assigner des fibres à plus d’un faisceau, ce qui les rend mieux adaptées aux scénarios où les fibres ne sont pas clairement séparées, les faisceaux se chevauchent, ou lorsqu’il existe une variabilité inter-individuelle importante. De plus, ces approches n’exigent pas une représentation explicite des fibres et peuvent être adaptées à n’importe quelle représentation de fibres ou mesure de distance / similarité. Des expériences sur un jeu de données étiquetées et des données du Human Connectome Project (HCP) mettent en évidence la capacité de ces approches à regrouper les fibres en faisceaux plausibles, et illustrent les avantages de l’utilisation d’aprioris de parcimonie.

La deuxième contribution est une nouvelle empreinte cérébrale, appelée Fiberprint, la première à capturer la géométrie des fibres de matière blanche dans les individus. Cette empreinte utilise les approches d’apprentissage de dictionnaire provenant de la première contribution pour représenter les fibres de sujets dans un espace commun correspondant aux faisceaux proéminents. Des empreintes cérébrales compactes sont générées en appliquant une fonction de regroupement pour chaque faisceau, encodant les propriétés uniques des fibres telles que leur densité le long des faisceaux. Dans une analyse à grande échelle utilisant les données de 861 sujets du HCP, l’empreinte proposée est capable d’identifier des exemplaires du même individu ou des sujets génétiquement liés en utilisant un nombre limité de fibres.

Enfin, la troisième contribution de cette thèse est une première méthode automatique pour générer des empreintes cérébrales à partir de données multimodales. L’idée de base de cette méthode est de représenter chaque image comme un ensemble de caractéristiques locales, et d’utiliser ces caractéristiques multimodales pour représenter des sujets dans un sous-espace de basse dimension appelé variété. Des expériences utilisant l’IRM pondérée T1/T2, l’IRM de diffusion et l’IRM fonctionnelle au repos de 945 sujets du HCP démontrent l’avantage de combiner plusieurs modalités, les empreintes multimodales étant plus discriminantes que celles générées par les modalités individuelles. Les résultats mettent également en évidence le lien entre la similarité des empreintes et la proximité génétique, les jumeaux monozygotes ayant des empreintes plus similaires que les jumeaux dizygotes ou non-jumeaux.

Le travail présenté dans cette thèse peut être bénéfique à diverses études en neuroscience. Ainsi, les approches de segmentation présentées dans la thèse fournissent un moyen flexible et efficace pour analyser des courbes 3D comme celles provenant de la tractographie, et conviennent aux analyses à grande échelle de la connectivité structurelle. Fiberprint, qui est la première empreinte cérébrale caractérisant la géométrie des fibres de la matière blanche, offre une technique puissante pour explorer les différences individuelles en termes de connectivité de la matière blanche et leurs relations avec la génétique. En incluant des informations sur la microstructure le long de faisceaux, l’empreinte proposée pourrait également être utilisée pour définir de nouveaux biomarqueurs pouvant détecter et suivre la progression de maladies neurologiques comme la maladie de Parkinson. Enfin, l’empreinte cérébrale multimodale issue de cette recherche complémente les efforts en cours pour analyser les caractéristiques individuelles du cerveau en permettant de comparer et de contraster la contribution de différentes modalités d’imagerie. Elle peut ainsi mener à de nouvelles connaissances sur la variabilité de la structure et de la fonction du cerveau, ce qui pourrait aider au développement de strategies de traitement personnalisées.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy." Comprend des références bibliographiques (pages 199-230).
Mots-clés libres:	empreintes cérébrales, différences individuelles, IRM, données de jumeaux, HCP, représentation parcimonieuse, apprentissage de dictionnaire, méthodes à noyaux, fibres de matière blanche, imagerie multi-modale, variété
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Desrosiers, Christian
Programme:	Doctorat en génie > Génie
Date de dépôt:	09 nov. 2018 19:52
Dernière modification:	09 nov. 2018 19:52
URI:	https://espace.etsmtl.ca/id/eprint/2142

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt