Modélisation et simulation de l’évolution de la maladie d'Alzheimer à partir de l'analyse d’images cérébrales multimodales et de données cliniques

La maladie d’Alzheimer est une maladie neuro dégénérative caractérisée par un ensemble de processus biologiques et morphologiques s’étendant sur plusieurs décennies et induisant un sévère déclin des capacités cognitives et comportementales. Ces processus peuvent être suivis grâce à des biomarqueurs extraits d’images médicales. Alors que les mécanismes sous-tendant l’évolution de la pathologie restent en partie inconnus, des modèles de progression de la maladie ont été présentés afin de décrire l’évolution des biomarqueurs à partir de la seule analyse de données. Ces méthodes pourraient permettre de faciliter le diagnostic et le pronostic, mais également de mesurer l’efficacité d’un médicament durant un essai clinique. La plupart des méthodes qui existent actuellement se fondent sur l’analyse conjointe de biomarqueurs scalaires, ou sur l’analyse de données multivariées extraites d’un type d’imagerie donné. Le passage à l’échelle de ces méthodes pour l’analyse de données en grande dimension issues de l’acquisition d’images est actuellement un défi majeur qui pourrait permettre de développer un modèle détaillé de l’histoire naturelle de la maladie. De plus, bien que les méthodes proposées jusqu’ à maintenant fournissent une analyse descriptive de l’évolution des biomarqueurs, elles ne modélisent pas explicitement les interactions dynamiques entre eux. Par conséquent, l’objectif principal de cette thèse est de proposer de nouvelles méthodes permettant de modéliser l’évolution de la maladie d’Alzheimer à travers l’analyse d’images médicales volumiques multimodales, ainsi que de permettre l’étude des dynamiques des différents biomarqueurs. Dans la première partie, nous présentons une méthode dont l’objectif est d’identifier les dynamiques spatio-temporelles qui caractérisent les processus en jeu durant la maladie d’Alzheimer, en s’appuyant sur l’analyse d’images médicales volumiques multimodales. Pour y parvenir, nous proposons de modéliser les données via une factorisation matricielle entre des sources temporelles et spatiales. Nous imposons également un ensemble de contraintes biologiques aux sources spatio-temporelles afin de garantir l’estimation d’un modèle de progression de la maladie réaliste. Dans la seconde partie, nous proposons une approche originale qui consiste à modéliser la progression de la maladie d’Alzheimer via un système dynamique reliant des évaluations cliniques ainsi que des données extraites d’images multimodales. Notre méthode s’appuie s