Soutenance de thèse de LAINES MEDINA Nilser Jherald
Titre de thèse
Méthodes de segmentation par apprentissage profond et IRM quantitative à 7 T pour de nouvelles perspectives dans la sclérose en plaques (DL+q7T in MS)
Deep learning segmentation methods and 7T quantitative MRI for new insights in multiple sclerosis (DL+q7T in MS)
Résumé de la thèse
La sclérose en plaques (SEP) est une maladie inflammatoire et neurodégénérative chronique du système nerveux central, caractérisée par une démyélinisation et des lésions tissulaires touchant le cerveau et la moelle épinière. Bien que les lésions constituent la signature radiologique de la SEP, les atteintes tissulaires s'étendent au-delà des plaques visibles. Ces altérations diffuses au sein des tissus d'apparence normale (TAN), associées à une atrophie progressive du cordon, contribuent au handicap clinique. L'atteinte médullaire, bien que fréquente et fortement liée à la progression du handicap à long terme, reste beaucoup moins étudiée que l'atteinte cérébrale.
L'IRM conventionnelle, qui constitue l'examen de référence pour le diagnostic et le suivi de la SEP permet la détection des lésions focales, mais elle manque de sensibilité pour caractériser les atteintes microstructurales diffuses. L'IRM quantitative apparaît alors comme une approche complémentaire pour explorer les altérations tissulaires au-delà des lésions visibles. Parmi les techniques d'imagerie quantitative, la cartographie T1 à ultra haut champ apparaît prometteuse pour évaluer les modifications microstructurales liées à la démyélinisation et à la neurodégénérescence. Néanmoins, l'exploitation des données issues de l'IRM médullaire à 7 T nécessite des optimisations méthodologiques. Une segmentation précise des structures médullaires et des lésions est notamment requise pour une quantification fiable et reproductible des dommages tissulaires.
Pour répondre à ces besoins, le premier objectif de cette thèse a été de développer une méthode basée sur le deep learning pour la segmentation des lésions médullaires de SEP sur le contraste MP2RAGE-UNI. Le modèle obtenu, UNIseg, a été entraîné sur des bases de données multicentriques collectées à 3 T afin d'assurer sa robustesse entre centres et protocoles, avant d'être évalué sur des données 7 T.
Le deuxième objectif a consisté à développer une méthode de segmentation de la substance grise médullaire par deep learning, applicable à différents contrastes, champs magnétiques, régions médullaires et pathologies. Bien que non directement appliqué sur les données de patients dans cette thèse, ce modèle représente une avancée méthodologique majeure pour de futures études, notamment pour les données ultra-haute résolution acquises à 7 T.
Le troisième objectif a été de quantifier les altérations tissulaires focales et diffuses présentes chez les patients à l'aide de la cartographie T1 à 7 T. En combinant masques lésionnels automatiques, recalage d'atlas et segmentation tissulaire, la topographie lésionnelle, la charge lésionnelle relative, ainsi que les valeurs de T1 spécifiques aux lésions, ont été analysées, permettant une caractérisation de la distribution et de l'hétérogénéité des lésions. Les anomalies diffuses de T1 dans le TAN ont également été étudiées, avec des analyses individualisées par Z-score. Un gradient d'altération tissulaire (T1_lésion > T1_TAN > T1_témoins) a été observé, traduisant les atteintes tissulaires sous-jacentes. L'analyse par Z-score, exploratoire, se révèle également prometteuse pour évaluer l'intégrité tissulaire et graduer l'atteinte microstructurale à l'échelle individuelle.
Dans l'ensemble, cette thèse propose un pipeline combinant cartographie T1 à 7 T et segmentation par deep learning permettant une amélioration de l'évaluation de la pathologie médullaire dans la SEP. Bien que des optimisations complémentaires soient nécessaires, ce travail contribue à une analyse IRM médullaire plus reproductible et cliniquement pertinente, posant les bases d'un déploiement plus large de l'imagerie à 7 T.
Mots-clés: Sclérose en plaques, Moelle épinière, Segmentation par deep learning, Segmentation des lésions, Segmentation de la substance grise, 7 Tesla, cartographie T1, MP2RAGE, Tissu d'apparence normale, Analyse par Z-score, IRM quantitative.
Thesis resume
Multiple sclerosis (MS) is a chronic inflammatory and neurodegenerative disease of the central nervous system characterized by demyelination and tissue damage affecting both the brain and the spinal cord (SC). Although focal lesions constitute the radiological hallmark of MS, the pathological burden extends beyond visible plaques (lesions). Diffuse microstructural alterations within normal-appearing tissue (NAT), together with progressive atrophy, substantially contribute to clinical disability. SC involvement is highly prevalent and associated with motor impairment, sensory dysfunction, and long-term disability progression, yet SC pathology remains less explored than brain involvement.
MRI is the reference modality for MS diagnosis and monitoring and supports the McDonald criteria through dissemination in space and time. However, conventional MRI is mainly intended for focal lesion detection, lacking sensitivity to subtle or diffuse microstructural damage. Quantitative MRI has therefore emerged as a complementary approach to capture tissue-specific alterations beyond visible lesions. Among these techniques, 7 T T1 mapping, is a promising technique to assess submillimetric microstructural changes related to demyelination and neurodegeneration in MS. However, fully exploiting 7 T SC MRI remains challenging and to be optimized.
Accurate segmentation of SC structures and lesions is one of the key factors for reliable quantification, yet manual delineation is time-consuming and rather dependent, and automated tools developed at other contrasts often fail to generalize to MP2RAGE data. To address this gap, the first objective of this thesis was to develop a deep learning-based method for automatic SC MS lesion segmentation on MP2RAGE-UNI contrast. The resulting model, UNIseg, was trained on multicentric 3 T datasets to ensure robustness across centers and protocols, and tested on 7 T data.
The second objective was to develop a deep learning-based method for robust SC gray matter (GM) segmentation across multiple contrasts, field strengths, SC regions, and pathologies. Although not directly applied to this thesis, this model constitutes an essential methodological advance for future MS studies, for example, with high-resolution in-plane 7 T data.
The third objective was to quantify focal and diffuse tissue alterations using 7 T T1 mapping analysis, providing a quantitative and individualized framework for assessing GM/WM tissue integrity and grading the extent of microstructural impairment. By combining automated lesion masks with atlas registration and tissue segmentation, lesion topography, relative lesion load in GM and WM, lesion-specific T1 values were analyzed, allowing refined characterization of cervical SC lesion distribution and heterogeneity. Diffuse T1 abnormalities in NAT were also investigated and exploratory individualized Z-score analyses relative to healthy controls were performed. A consistent gradient of tissue alteration (T1_lesion > T1_NAT > T1_HC) was observed, supporting the concept that SC damage in MS extends beyond visible lesions. The Z-score analysis provides a promising individualized quantitative approach for assessing tissue integrity and grading the microstructural impairment.
Overall, this thesis proposes an integrated quantitative pipeline combining 7 T T1 mapping and deep learning-based segmentation to improve the assessment of SC pathology in MS. Although further improvements and refinements are still required, this work advances lesion mapping, GM segmentation, and individualized characterization of tissue damage, contributing to more reproducible and clinically relevant SC imaging analysis in MS, and laying the groundwork for wider deployment of 7 T imaging.
Key words: Multiple sclerosis, Spinal cord, Deep learning segmentation, MS lesion segmentation, Gray matter segmentation, 7 Tesla, T1 mapping, MP2RAGE, Normal-appearing tissue, Z-score mapping, quantitative MRI