Kumar, Kuldeep, Desrosiers, Christian, Siddiqi, Kaleem, Colliot, Olivier et Toews, Matthew.
14 novembre 2017.
« L’empreinte cérébrale : une image des connexions du cerveau ».
[Article de recherche]. Substance ÉTS.
Prévisualisation |
PDF
Substance 2017 17168 L empreinte cerebrale une image des connexions.pdf - Version publiée Licence d'utilisation : Creative Commons CC BY-NC. Télécharger (1MB) | Prévisualisation |
Résumé
On utilise l’imagerie par résonance magnétique de diffusion (IRMd) pour caractériser la matière blanche et ainsi tirer des conclusions qui s’appliquent à l’ensemble de la population. Toutefois, la structure, la fonction et la géométrie de la matière blanche varient d’une personne à l’autre. Dans cette étude, nous proposons une empreinte cérébrale qui utilise les trajectoires des fibres pour quantifier la géométrie de la matière blanche unique à chaque personne. Nous effectuons une représentation de l’encodage épars de trajectoires de fibres en les cartographiant dans un espace commun dit « dictionnaire ». L’empreinte cérébrale d’un sujet est ensuite créée en appliquant une fonction de regroupement à chaque faisceau, générant ainsi le vecteur de caractéristiques des faisceaux qui décrit la géométrie de la matière blanche d’un sujet particulier. Ces caractéristiques forment un encodage des propriétés distinctes des trajectoires de fibres, comme leur densité le long des faisceaux principaux. Une analyse des données provenant de 861 sujets du Human Connectome Project révèle qu’une empreinte cérébrale obtenue au moyen d’environ 3000 trajectoires de fibres peut identifier les échantillons provenant d’un même sujet. Nous utilisons également les empreintes cérébrales pour identifier frères et sœurs, qu’ils soient jumeaux ou non, nos observations étant compatibles avec les études de jumeaux portant sur l’intégrité de la matière blanche. Nos résultats démontrent que l’empreinte cérébrale proposée peut effectivement capter, la variabilité géométrique des fibres de matière blanche parmi la population, en utilisant un vecteur de caractéristiques compact (dimension de 50), ce qui rend cette méthode particulièrement attrayante pour gérer des ensembles de données volumineux.
| Type de document: | Article de revue ou de magazine, non révisé par les pairs |
|---|---|
| Validation par les pairs: | Non |
| Professeur: | Professeur Desrosiers, Christian Toews, Matthew |
| Affiliation: | Génie logiciel et des technologies de l'information, Génie de la production automatisée |
| Date de dépôt: | 07 août 2018 14:35 |
| Dernière modification: | 28 janv. 2020 16:31 |
| URI: | https://espace2.etsmtl.ca/id/eprint/17168 |
Actions (Authentification requise)
 |
Dernière vérification avant le dépôt |