L’empreinte cérébrale : une image des connexions du cerveau

Kumar, Kuldeep, Desrosiers, Christian, Siddiqi, Kaleem, Colliot, Olivier et Toews, Matthew. 14 November 2017. « L’empreinte cérébrale : une image des connexions du cerveau ». [Research article]. Substance ÉTS.

Preview

PDF Substance 2017 17168 L empreinte cerebrale une image des connexions.pdf - Published Version Use licence: Creative Commons CC BY-NC. Download (1MB) | Preview

Abstract

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.

Item Type:	Non-peer reviewed article published in a journal or magazine
Refereed:	No
Professor:	Professor Desrosiers, Christian Toews, Matthew
Affiliation:	Génie logiciel et des technologies de l'information, Génie de la production automatisée
Date Deposited:	07 Aug 2018 14:35
Last Modified:	28 Jan 2020 16:31
URI:	https://espace2.etsmtl.ca/id/eprint/17168

Actions (login required)

View Item