Segmentation des structures du tronc cérébral avec de l’apprentissage profond : application à la sclérose latérale amyotrophique

La sclérose latérale amyotrophique (SLA) est une maladie neurodégénérative progressive qui affecte les neurones moteurs. Bien que l’imagerie par résonance magnétique (IRM) offre un moyen non invasif d’étudier les altérations cérébrales associées à la maladie, les anomalies observées en IRM conventionnelle peuvent être subtiles, notamment au niveau du tronc cérébral. Par ailleurs, le développement de méthodes d’intelligence artificielle pour leur analyse est fortement limité par la rareté des annotations anatomiques et pathologiques détaillées.

Cette thèse étudie ainsi comment extraire des informations pertinentes à partir d’IRM cérébrales lorsque les annotations disponibles sont limitées. Elle suit une progression allant de la segmentation entièrement supervisée des structures du tronc cérébral vers des approches nécessitant de moins en moins d’annotations : localisation faiblement supervisée à partir d’étiquettes au niveau de l’image, puis projection vers la normalité reposant uniquement sur des données de sujets sains.

Dans un premier temps, des méthodes de segmentation par apprentissage profond sont étudiées afin d’établir une représentation anatomique détaillée du tronc cérébral. La deuxième partie explore ensuite des modèles de classification et d’explicabilité permettant de produire des cartes d’évidence spatiale sans annotations voxel par voxel. Enfin, une approche tridimensionnelle de projection vers la normalité est proposée : le modèle apprend uniquement la distribution des IRM saines et identifie, chez de nouveaux sujets, les régions qui s’écartent de cette référence normale. Des stratégies de calibration et d’estimation de l’incertitude sont également développées afin d’améliorer la fiabilité des cartes obtenues.

Ces approches sont évaluées sur plusieurs jeux de données d’imagerie cérébrale couvrant des pathologies présentant des anomalies visibles ainsi que des maladies neurodégénératives plus subtiles, avec un intérêt particulier pour la SLA et le tronc cérébral. Dans son ensemble, cette thèse propose un changement progressif de paradigme, de la segmentation de structures prédéfinies vers l’extraction d’évidence pathologique sous forte contrainte d’annotation, ouvrant la voie à des outils d’analyse plus flexibles pour l’étude de maladies pour lesquelles les annotations détaillées sont rares ou indisponibles.

MRI Segmentation of Brainstem Structures Using Deep Learning Techniques: Application to Amyotrophic Lateral Sclerosis

Amyotrophic lateral sclerosis (ALS) is a progressive neurodegenerative disease affecting motor neurons. Although magnetic resonance imaging (MRI) provides a non-invasive means of investigating disease-related alterations in the brain, abnormalities in conventional MRI can be subtle, particularly in the brainstem. Moreover, the development of artificial intelligence methods for their analysis is strongly constrained by the scarcity of detailed anatomical and pathological annotations.

This thesis therefore investigates how relevant information can be extracted from brain MRI when only limited annotations are available. It follows a progression from fully supervised segmentation of brainstem structures toward approaches requiring increasingly fewer annotations: weakly supervised localization using image-level labels, followed by normal projection relying exclusively on healthy-reference data.

First, deep learning segmentation methods are investigated to establish detailed anatomical representations of the brainstem. The second part explores classification and explainability models that generate spatial evidence maps without requiring voxel-level annotations. Finally, a three-dimensional normal-projection approach is proposed, in which the model learns exclusively from healthy brain MRI and identifies regions in new subjects that deviate from this healthy reference. Calibration and uncertainty-estimation strategies are further introduced to improve the reliability of the resulting evidence maps.

These approaches are evaluated across several brain imaging datasets spanning diseases with visible lesions as well as more subtle neurodegenerative conditions, with a particular focus on ALS and the brainstem. Overall, this thesis proposes a progressive shift from the segmentation of predefined structures toward disease-evidence extraction under severe annotation scarcity, providing a more flexible framework for investigating conditions in which detailed pathological annotations are rare or unavailable.