Séminaire du 19/10/2017, 14h00
jeudi 19 octobre 2017, 14h00
Modèles statistiques non linéaires sur des variétés en imagerie multimodale TEP/IRM/ITD. Application à la détection précoce et au suivi longitudinal dans la maladie d’Alzheimer
Conférenciers : Florian Tilquin
La maladie d'Alzheimer est la première cause de maladie neurodégénérative à l'origine de démence chez le sujet âgé. Les thérapeutiques actuelles (anti-cholinestérasique par exemple) ne font que ralentir le processus, en retardant le déclin fonctionnel. Les tests neuropsychologiques ne signent la maladie qu'à un stade relativement avancé du déclin cognitif. Il en découle l'importance d'un diagnostic précoce afin de débuter le traitement au plus tôt. Le but du projet de recherche est donc de permettre un tel diagnostic précoce de la maladie d'Alzheimer par imagerie (TEP,IRM,IRMf...).
L'exposé présente le développement de nouveaux modèles et méthodes d'apprentissage statistique permettant une détection précoce des signes de la maladie, en comparant les images d'un patient avec une base d'images de témoins ne présentant pas la pathologie. Les modèles linéaires, particulièrement développés dans la littérature, présentent des limitations connues dans leur capacité à représenter des données complexes. On présentera ici des modèles non linéaires, basés sur l'apprentissage de variétés de faible dimension, la variété d'une population (témoins) étant modélisée dans le but de projeter sur celle-ci un patient, dont on cherche à déterminer les différences avec cette population.
La difficulté de la projection réside en deux points : la nécessité d'une méthode de réduction de dimension y compris pour les individus n'appartenant pas à la variété (problème dit du out-of-sample) et une méthode de calcul de pré-image, (i.e. trouver l'image en grande dimension (IRM ou PET) correspondant le mieux à une projection en basse dimension). Une méthode de projection non linéaire complète utilisant l'extension de Nyström pour le problème out-of-sample et une méthode d'optimisation convexe pour le calcul de la pré-image seront présentées.
Enfin, des tests préliminaires permettant de valider la méthode sur des bases de données synthétiques obtenues par modèles d'apparence permettront de donner un aperçu des performances de la méthode.