2.3 Les méthodes évaluées
2.3.1 Méthodes voxelliques
lesquels les caractéristiques sont l’épaisseur corticale dé�nie à chaque nœud du maillage du cortex cérébral. Les méthodes de la dernière catégorie (paragraphe 2.3.3) utilisent uniquement l’hippocampe pour la classi�cation.
2.3.1 Méthodes voxelliques
La première catégorie de méthode regroupe les méthodes qui utilisent comme caractéristiques pour la classi�cation les cartes de probabilités de tissus (GM, WM et CSF). Ces cartes sont obtenues en suivant la procédure suivante. Les IRM anatomiques sont simultanément segmen-tées et recalées à l’aide de la segmentation uni�ée de SPM5 (Statistical Parametric Mapping, London, UK) [Ashburner & Friston, 2005]. La segmentation et le recalage sont réalisés avec les paramètres par défaut de SPM5. À la �n de cette étape, nous avons pour chaque individu trois cartes de probabilités, SPM5_GM, SPM5_WM et SPM5_CSF qui correspondent respectivement aux cartes de probabilités de substance grise, de substance blanche et de liquide cérébrospinal.
A�n d’évaluer l’in�uence de l’étape de recalage sur la classi�cation, nous avons également recalé les cartes de substance grise et de substance blanche segmentées par SPM5 en utilisant l’algorithme de recalage DARTEL [Ashburner, 2007]. Plus précisément, DARTEL utilise les cartes de probabilité de substance grise et de substance blanche dans l’espace natifs des sujets. DARTEL itère ensuite les deux étapes suivantes :
1. recalage des cartes de probabilités sur le template commun
2. construction d’un nouveau template commun à partir des cartes recalées obtenues à l’étape 1
Au �nal, les cartes de probabilités de substance grise et de substance blanche sont recalées sur un template commun généré à partir de la population d’étude. Nous les appellerons dans la suite DARTEL_GM et DARTEL_WM. Les transformations obtenues sont également appliquées aux cartes de CSF. Nous appellerons ces cartes DARTEL_CSF. Les paramètres par défaut de DARTEL ont été utilisés pour le recalage. En particulier l’étape recalage/construction de template a été itérée six fois. Toutes les cartes recalées, que ce soit par la segmentation uni�ée de SPM5 ou par DARTEL, ont été modulées par le jacobien de leur transformation. Cela permet de préserver les quantités de tissus (le jacobien correspond aux déformations locales du volume). Aucun lissage spatial n’a été réalisé au préalable.
Certaines méthodes, dans leur version originale, n’utilisent que les cartes de substance grise tandis que d’autres utilisent l’ensemble des cartes de probabilités. Nous avons évalué chacune des méthodes de manière systématique avec les cartes de substance grise uniquement et également avec l’ensemble des cartes de probabilités.
Les di�érentes méthodes de cette catégorie di�èrent dans leur manière d’extraire et/ou de sélectionner les caractéristiques utilisées pour la classi�cation à partir des cartes de probabilités. Nous les décrivons succinctement dans les paragraphes suivants. Elles sont également résumées dans le tableau 2.4.
2.3.1.1 Directe
L’approche la plus simple consiste à utiliser directement les cartes de probabilités comme caractéristiques pour la classi�cation. Nous appellerons cette approche Voxel-Direct dans la suite du manuscrit. Ce type d’approche a été proposé par Klöppel et al. [2008b]. Ils ont proposé deux versions de cette approche. La première version utilise les cartes de probabilités de tout le cerveau. Quant à la deuxième, elle restreint son analyse à un volume d’intérêt (VOI - volume of interest) situé dans la partie antérieure moyenne du lobe temporal. Cette région d’intérêt englobe en partie l’hippocampe. Plus précisément, cette région d’intérêt est dé�nie par deux parallélépipèdes rectangles centrés respectivement en (−17, −8, −18) et (16, −9, −18) dans
le repère MNI (les valeurs sont données en mm). Leurs dimensions sont les suivantes :12 mm,
16 mm et 12 mm suivant l’axe transversal, l’axe sagittal (ou antéropostérieur) et l’axe vertical respectivement. Cette approche sera appelée Voxel-Direct_VOI dans la suite du manuscrit.
Dans leur version originale, ces méthodes utilisent seulement DARTEL_GM ; nous les avons testé avec les ensembles suivants :
• SPM5_GM uniquement,
• SPM5_GM, SPM5_WM et SPM5_CSF, • DARTEL_GM uniquement,
• DARTEL_GM, DARTEL_WM et DARTEL_CSF.
2.3.1.2 STAND-score
Vemuri et al. [2008] ont proposé une approche appelée STAND-score. Dans cette approche, la dimensionnalité de l’espace des caractéristiques est réduite à l’aide d’une succession d’étapes d’agrégation et de sélection de variables. Plus précisément, la méthode est la suivante.
1. Tout d’abord, les voxels du cervelet sont retirés à l’aide d’un masque dans l’espace MNI. 2. Les images sont ensuite lissées avec un �ltre gaussien puis sous-échantillonnées après
���� �’������ ����������
T���� 2.4 :
Résumé des méthodes voxelliques comparées.Caract. Recalage Tissus Classi�eur Méthode
Direct DARTEL GM SVM lin. 1.1.1 a Voxel-Direct-D-gm
tout SVM lin. 1.1.1 b Voxel-Direct-D-all
SPM5 GM SVM lin. 1.1.2 a Voxel-Direct-S-gm
tout SVM lin. 1.1.2 b Voxel-Direct-S-all
Direct VOI DARTEL GM SVM lin. 1.2.1 a Voxel-Direct_VOI-D-gm
tout SVM lin. 1.2.1 b Voxel-Direct_VOI-D-all
SPM5 GM SVM lin. 1.2.2 a Voxel-Direct_VOI-S-gm
tout SVM lin. 1.2.2 b Voxel-Direct_VOI-S-all
STAND-score DARTEL GM SVM lin. 1.3.1 a Voxel-STAND-D-gm
tout SVM lin. 1.3.1 b Voxel-STAND-D-all
SPM5 GM SVM lin. 1.3.2 a Voxel-STAND-S-gm
tout SVM lin. 1.3.2 b Voxel-STAND-S-all
SPM5 custom
template GM SVM lin. 1.3.3 a Voxel-STAND-Sc-gm
tout SVM lin. 1.3.3 b Voxel-STAND-Sc-all
Atlas DARTEL GM SVM lin. 1.4.1 a Voxel-Atlas-D-gm
tout SVM lin. 1.4.1 b Voxel-Atlas-D-all
SPM5 GM SVM lin. 1.4.2 a Voxel-Atlas-S-gm
tout SVM lin. 1.4.2 b Voxel-Atlas-S-all
COMPARE DARTEL GM SVM gauss. 1.5.1 a Voxel-COMPARE-D-gm
tout SVM gauss. 1.5.1 b Voxel-COMPARE-D-all
SPM5 GM SVM gauss. 1.5.2 a Voxel-COMPARE-S-gm
tout SVM gauss. 1.5.2 b Voxel-COMPARE-S-all
3. Ne sont gardés pour l’analyse que les voxels qui contiennent plus de10% de tissus (GM, WM ou CSF) chez au moins la moitié des sujets. Ceci est une manière de ne garder que les voxels du cerveau.
4. Une première étape de sélection de variables est réalisée. Cette étape est réalisée indépendamment pour la substance grise, pour la substance blanche et pour le liquide cérébrospinal. Les données sont entrées dans un SVM linéaire. Le SVM linéaire donne un poids à chaque voxel (ce sont les coe�cients de l’hyperplan séparateur). Ne sont gardés que les voxels qui ont un poids donné par le SVM indiquant une atrophie (cf. paragraphe 2.5.6).
5. La deuxième étape de sélection est également appliquée séparément aux di�érents tissus. Les voxels voisins des voxels sélectionnés sont également sélectionnés.
6. L’ensemble des caractéristiques issues des di�érents tissus sont alors concaténées pour ne former qu’un seul vecteur. C’est ce vecteur qui est utilisé pour la classi�cation. Cette méthode sera appelée Voxel-STAND dans la suite du manuscrit. Dans sa version originale, cette méthode utilise les cartes de substance grise, de substance blanche et de CSF segmentées et recalées par la segmentation uni�ée de SPM5 avec un template généré à partir de la population d’étude. Nous avons donc testé cette méthode non seulement avec les cartes décrites précédemment mais également avec celles obtenues de cette manière.
2.3.1.3 Atlas
Une autre méthode consiste à regrouper les voxels en régions anatomiques à l’aide d’un atlas. Ce type d’approche a été utilisé notamment par [Lao et al., 2004 ; Magnin et al., 2009].
Dans cette approche, les cartes de probabilités sont chacune découpées en 116 régions d’intérêt à l’aide de l’atlas AAL (Automatic Anatomical Labeling) [Tzourio-Mazoyer et al., 2002]. On utilise ensuite les moyennes d’intensités de chaque région comme caractéristiques pour la classi�cation. Nous appellerons cette approche Voxel-Atlas dans la suite du manuscrit.
L’atlas AAL est un atlas anatomo-fonctionnel. Il n’a pas été spéci�quement construit pour l’étude de la maladie d’Alzheimer. Par conséquence, ses régions ne représentent pas nécessairement des régions homogènes sur le plan de la physiopathologie ou de l’atrophie.
2.3.1.4 COMPARE
Fan et al. [2007, 2008b,a] proposent d’utiliser une parcellisation du cerveau adaptée à la pathologie au lieu d’un atlas prédé�ni (2.3.1.3). Cette méthode est décrite de manière détaillée dans [Fan et al., 2007]. Nous n’en donnons ici que les grandes lignes :
���� �’������ ����������
F����� 2.5 :
Atlas AAL [Tzourio-Mazoyer et al., 2002] en coupe axiale, coronale et sagittale. 1. La première étape de COMPARE consiste à créer des régions homogènes en terme dediscrimination.
2. Une fois ces régions déterminées, les sommes des intensités dans chacune des régions sont utilisées comme caractéristiques pour la classi�cation.
3. Des étapes de sélection de variables sont ensuite réalisées (testT de Student et
SVM-RFE) [Guyon et al., 2002].
Cette méthode sera appelée Voxel-COMPARE dans la suite du document. Nous avons utilisé
l’implémentation de COMPARE disponible en ligne4.