Approche bayésienne en tractographie : évaluation de la variabilité de mesure et modélisation des données longitudinales.

La recherche sur le cerveau se tourne de plus en plus vers des études qui consistent à observer un même groupe d’individus sur une longue période. Cependant, les données mesurées présentent des approximations qui dépendent des personnes qui les récoltent mais aussi des outils utilisés pour mesurer l’état du cerveau. À cela, s’ajoute la multitude d’informations relativement complexes que l’on est capable d’extraire des données sur le cerveau. Or, les outils statistiques actuels ne permettent pas de considérer de manière appropriée l’approximation, ni même la complexité de ces mesures.

Harmonisation de données d’imagerie de diffusion par auto-encodage adversariel avec respect de contraintes anatomiques

L’acquisition de données d’imagerie de diffusion est suceptible à un important problème de variabilité à travers les différents sites d’acquisition (e.g. Sherbrooke vs. Montréal) et à travers les fabricants (e.g. Siemens vs Philips). Puisque ces données de diffusion ne sont pas invariantes aux protocoles et scanners utilisés, il s’agit d’un problème de taille pour les études cliniques qui désirent utiliser des données provenant de multiples sites d’acquisition.

Tractographie adaptative aux tissues cérébraux

Dans le monde de la recherche, la majorité des algorithmes développés sont testés sur des sujets sains et jeunes. Cependant, beaucoup de projets de recherches ont pour but d’étudier des sujets ayant des pathologies. L’application des algorithmes conventionnels est donc mal adaptée à l’analyse de sujets avec pathologie. Il faut donc développer des algorithmes permettant de facilement gérer plusieurs types de pathologie. Le but de cette démarche est de faire de meilleure interprétation des analyses afin de mieux évaluer les déficits de patients.