Learning adapted coordinate systems for the statistical analysis of anatomical shapes. Applications to Alzheimer's disease progression modeling - Sorbonne Université Accéder directement au contenu
Thèse Année : 2020

Learning adapted coordinate systems for the statistical analysis of anatomical shapes. Applications to Alzheimer's disease progression modeling

Apprentissage de systèmes de coordonnées adaptés pour l'analyse statistique de formes anatomiques. Applications à la modélisation de la progression de la maladie d'Alzheimer

Résumé

This thesis aims to build coordinate systems for shapes i.e. finite-dimensional metric spaces where shapes are represented by vectors. The goal of building such coordinate systems is to allow and facilitate the statistical analysis of shape data sets. The end-game motivation of our work is to predict and sub-type Alzheimer’s disease, based in part on knowledge extracted from banks of brain medical images. Even if these data banks are longitudinal, their variability remains mostly due to the large and normal inter-individual variability of the brain. The variability due to the progression of pathological alterations is of much smaller amplitude. The central objective of this thesis is to develop a coordinate system adapted for the statistical analysis of longitudinal shape data sets, able to disentangle these two sources of variability. As shown in the literature, the parallel transport operator can be leveraged to achieve this desired disentanglement, for instance by defining the notion of exp-parallel curves on a manifold. Using this tool on shape spaces comes however with theoretical and computational challenges, tackled in the first part of this thesis. Finally, if shape spaces are commonly equipped with a manifold-like structure in the field of computational anatomy, the underlying classes of diffeomorphisms are however most often largely built and parameterized without taking into account the data at hand. The last major objective of this thesis is to build deformation-based coordinate systems where the parameterization of deformations is adapted to the data set of interest.
Cette thèse construit des systèmes de coordonnées pour formes, c'est-à-dire des espaces métriques de dimension finie où les formes sont représentées par des vecteurs. Construire de tels systèmes de coordonnées permet de faciliter l'analyse statistique de collections de formes. Notre motivation finale est de prédire et de sous-typer la maladie d'Alzheimer, en se basant notamment sur des marqueurs ainsi extraits de banques d'images médicales du cerveau. Même si de telles banques sont longitudinales, la variabilité qu’elles renferment reste principalement due à la variabilité inter-individuelle importante et normale du cerveau. La variabilité due à la progression d’altérations pathologiques est d'une amplitude beaucoup plus faible. L'objectif central de cette thèse est de développer un système de coordonnées adapté pour l'analyse statistique de banques de données de formes longitudinales, capable de dissocier ces deux sources de variabilité. Comme montré dans la littérature, le transport parallèle peut être exploité pour obtenir une telle dissociation, par exemple en définissant la notion d’exp-parallélisme sur une variété. Utiliser cet outil sur un espace de formes s'accompagne cependant de défis théoriques et calculatoires, relevés dans la première partie de cette thèse. Enfin, si en anatomie computationnelle les espaces de formes sont communément équipés d'une structure de variété, les classes de difféomorphismes sous-jacentes sont le plus souvent construites sans tenir compte des données étudiées. Le dernier objectif majeur de cette thèse est de construire des systèmes de coordonnées de déformations où le paramétrage de ces déformations est adapté aux données d'intérêt.
Fichier principal
Vignette du fichier
BONE_Alexandre_2020.pdf (21.16 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03364632 , version 1 (27-10-2020)
tel-03364632 , version 2 (04-10-2021)

Identifiants

  • HAL Id : tel-03364632 , version 2

Citer

Alexandre Bône. Learning adapted coordinate systems for the statistical analysis of anatomical shapes. Applications to Alzheimer's disease progression modeling. Computer Vision and Pattern Recognition [cs.CV]. Sorbonne Université, 2020. English. ⟨NNT : 2020SORUS273⟩. ⟨tel-03364632v2⟩
322 Consultations
69 Téléchargements

Partager

Gmail Facebook X LinkedIn More