Analyse basée sur la tractographie

La tractographie embarque naturellement la géométrie des fibres. Ces fibres, as- sociées en larges faisceaux, sont probablement les régions d’intérêt à privilégier. On

parle alors d’analyse le long des faisceaux ou de "tract-based analysis" en anglais. Une région d’intérêt peut être définie à l’aide de règles anatomiques permettant d’isoler un faisceau donné. Souvent un faisceau part d’une région et cible une région d’arri- vée. Le faisceau correspond donc à l’ensemble des fibres reliant les deux régions. Il n’est pas rare de pouvoir ajouter des contraintes supplémentaires en considérant les structures "entravant" le faisceau pour affiner la définition du faisceau recherché et améliorer sa détection en éliminant de potentielles fibres aberrantes. Une définition plus précise du faisceau peut également être obtenue à l’échelle d’un groupe de su- jets en fusionnant les faisceaux individuels extraits chez les différents sujets à l’aide de techniques de recalage amenant ces faisceaux vers un référentiel commun [Jones et al.,2002;Pagani et al.,2005]. Cette approche fondée sur une étude de groupe sou- lève cependant la question de la qualité du recalage. Plusieurs équipes ont travaillé sur le recalage de faisceaux de fibres qui reste un challenge difficile à mener [Zhang et al.,2006;Ziyan et al.,2007;Wassermann et al.,2010;Durrleman et al.,2011]. Une fois le faisceau d’intérêt sélectionné, il peut être utilisé pour définir un masque de la région d’intérêt qui lui correspond à l’aide d’une projection des fibres qui le consti- tuent sur une grille cartésienne pour construire un volume donnant en chaque voxel la probabilité de présence de fibres du faisceau comme le montre la figure 8.7. Il est

b a

FIG. 8.7: (a) Faisceau arqué en 3d. (b) Cartes de probabilités du faisceau arqué. Figure de

[Wassermann et al.,2010].

alors possible d’employer cette carte de probabilité pour inférer une statistique de toute mesure scalaire M sur le faisceau [Jones et al.,2006] :

< M >=X

v

p(v)M (v) (8.1)

Un faisceau correspond généralement à un ensemble de fibres de géométries relati- vement cohérentes pour lesquelles il est aussi envisageable de définir un centroïde. Le centroïde d’un faisceau représente alors la fibre du faisceau de plus faible distance aux autres fibres [Kezele et al., 2008; Guevara et al., 2011b]. La définition d’une abscisse curviligne le long du centroïde permet de représenter l’évolution de n’im-

porte quelle mesure à intervalles réguliers le long du faisceau à l’aide d’un vecteur M. L’intérêt d’une telle représentation synthétique le long du centroïde d’un faisceau est réel car il est alors envisageable de suivre le profil d’une dégénérescence d’un faisceau dans le cas pathologique (à l’instar des dégénérescences wallériennes [Op- penheim et al.,2003]) ou encore le profil du développement d’un faisceau (à l’instar de la mesure de λ_⊥servant de biomarqueur sensible à la myélinisation des axones au cours du développement cérébral [Dubois et al.,2008]).

Si l’on cherche à étudier de manière systématique et automatique le profil d’infor- mation le long des faisceaux, deux approches différentes ont vu le jour. La première approche repose sur la classification automatique des fibres en faisceaux [Wasser- mann et al., 2010; O’Donnell et al., 2006; Guevara et al., 2011b]. L’approche qui a été développée récemment par [Guevara et al., 2011b], repose sur une chaîne de traitements complexes qui permet désormais de détecter automatiquement les fais- ceaux de fibres à l’échelle d’un sujet (figure8.8.a) et de les mettre en correspondance à l’échelle d’un groupe de sujets. Les centroïdes des faisceaux constituent le repère anatomique à considérer qui permet d’effectuer n’importe quelle étude statistique fondée sur les faisceaux de fibres et donc de détecter d’éventuelles différences entre sujets ou groupes de sujets. Cet outil innovent permet d’ores et déjà d’analyser les atrophies de la connectivité anatomique cérébrale dans le cas de pathologies où cette connectivité est supposée altérée. Mais il a également permis de construire un atlas des faisceaux de la substance blanche chez le sujet sain incluant non seulement les grands faisceaux connus mais également un réseau de faisceaux sous-corticaux jus- qu’alors difficile à modéliser.

La seconde approche proposée pour l’étude systématique le long des faisceaux le fut

a

b

FIG. 8.8: (a) Classification automatique des fibres en faisceaux développée par [Guevara et al.,

2011b], (b) Extraction de squelette de la substance blanche à partir d’un seuillage des cartes d’anisotropie fractionnelle [Smith et al.,2006]. Figures de [Guevara et al.,2011b] et [Johassen- Berg and Behrens,2009], respectivement.

par [Smith et al.,2006] à travers l’outil TBSS (pour Tract Based Spatial Statistics) fourni dans la suite logicielle FSL, qui repose sur la définition d’un squelette de la substance blanche calculé à partir des cartes d’anisotropie de différents sujets d’une

base à étudier (figure 8.8.b). Les profils sont alors mesurés le long de ce squelette. Bien que cette technique connaisse actuellement un grand succès, elle ne fournit ce- pendant pas une information le long des faisceaux puisque les squelettes de la sub- stance blanche ne représentent pas nécessairement les faisceaux.

8.4

C

Dans ce chapitre, nous avons fini d’introduire les outils que nous avons dû utiliser dans le cadre de cette thèse, notamment les outils d’extraction du cortex cé- rébral nécessaires à l’étude de la connectivité entre les noyaux et le cortex. Nous avons également présenté un résumé de l’état de l’art de la recherche active autour de la connectivité anatomique des noyaux gris centraux chez les sujets sains et dans le cadre de pathologies cérébrales. Nous avons vu que, malgré plusieurs publications importantes, la connectivité des noyaux gris centraux chez l’homme reste un domaine encore peu étudié et pour lequel de nombreux développements méthodologiques res- tent à mener. En particulier, les outils à disposition de la communauté pour étudier la connectivité anatomique des noyaux gris centraux ne tiennent compte d’aucun a priorianatomique et peuvent donc facilement conduire à des résultats biaisés par de nombreux faux positifs. Nous proposerons dans ce qui suit des méthodes dédiées à l’étude des connexions anatomiques dans le cerveau avec la tractographie et tenant compte d’a priori anatomiques. Ces méthodes seront décrites dans le chapitre9et des exemples d’application de ces méthodes à la maladie de Huntington et au syndrome Gilles de la Tourette seront détaillés dans les chapitre10et11respectivement.

C

9

INFÉRENCE DE LA CONNECTIVITÉ

ANATOMIQUE DES NOYAUX GRIS

CENTRAUX

Contents

9.1 Prétraitements des données . . . 178

9.1.1 Traitement des données anatomiques pondérées en T1 . . . . 179