Logo de l'E.N.T. Alsace
Thèses électroniques Service Commun de la documentation
Logo de l'Université de Strasbourg
Thèses et Mémoire de l'Université de Strasbourg

Parcellisation et analyse multi-niveaux de données IRM fonctionnelles. Application à l’étude des réseaux de connectivité cérébrale

KARKAR, Slim (2011) Parcellisation et analyse multi-niveaux de données IRM fonctionnelles. Application à l’étude des réseaux de connectivité cérébrale. Thèses de doctorat, Université de Strasbourg.

Plein texte disponible en tant que :

PDF - Un observateur de PDF est nécessaire, comme par exemple GSview, Xpdf or Adobe Acrobat Reader
5727 Kb

Résumé

Durant les dernières décennies, l'IRM fonctionnelle a permis de cartographier les différentes fonctions cérébrales et, plus récemment, d'identifier les réseaux fonctionnels qui décrivent les interactions qui peuvent s'établir entre régions cérébrales, proches ou distantes, lors de l'exécution d'une tâche cognitive. Pour identifier ces réseaux, une stratégie récente repose sur une parcellisation préliminaire du cerveau en régions fonctionnellement homogènes, puis sur l'identification des réseaux fonctionnels significatifs depuis une mesure des interactions entre l'ensemble des régions. Ainsi, la première partie de cette thèse propose une nouvelle méthode de parcellisation du cerveau en régions fonctionnellement homogènes. La méthode proposée est exploratoire et multi-niveaux : elle fournit plusieurs niveaux de parcellisation, et nous avons montré que les régions définies par notre méthode se superposent de manière satisfaisante aux structures anatomiques du cortex. Dans la deuxième partie de la thèse, nous avons proposé une méthode originale d'identification des réseaux fonctionnels. L'approche développée permet la significativité des réseaux étant donné leur taille et le seuil utilisé pour leur détection. Une telle approche permet de détecter des réseaux de faible taille qui impliquent des liens très significatifs, et également des réseaux plus grands impliquant des liens moins significatifs. Enfin, nous avons développé une approche permettant de classer les réseaux obtenus, de manière à réaliser une étude de groupe. L'information disponible sur l'ensemble des sujets permet alors de définir des classes qui synthétisent les caractéristiques des réseaux les plus partagés au sein d'une population de sujets.

Type d'EPrint:Thèse de doctorat
Discipline de la thèse / mémoire / rapport :Sciences. Image, sciences et technologies de l'information
Mots-clés libres:IRM fonctionnelle ; connectivité fonctionnelle ; parcellisation multi-niveaux ; réseaux de connectivité ; classification hiérarchique ; étude de groupe
Sujets:UNERA Classification UNERA > ACT Domaine d'activité UNERA > ACT-4 Instrumentation, imagerie, analyse, contrôle
CL Classification > DDC Dewey Decimal Classification > 600 Technologie (sciences appliquées) > 610 Médecine et santé > 612 Physiologie humaine > 612.8 Neurophysiologie et physiologie sensorielle > 612.82 Cerveau
Classification Thèses Unistra > Santé > Médecine et odontologie > 610 Médecine et santé > 612 Physiologie humaine > 612.8 Neurophysiologie et physiologie sensorielle > 612.82 Cerveau

UNERA Classification UNERA > DISC Discipline UNERA > DISC-21 Ingénierie et technologies
CL Classification > DDC Dewey Decimal Classification > 600 Technologie (sciences appliquées) > 610 Médecine et santé > 610.2 Ouvrages divers > 610.28 Technique, appareils, équipement, matériel.Génie biomédicale
Classification Thèses Unistra > Santé > Médecine et odontologie > 610 Médecine et santé > 610.2 Ouvrages divers > 610.28 Technique, appareils, équipement, matériel.Génie biomédicale
Code ID:2254
Déposé le :27 Octobre 2011

Administrateurs de l'archive uniquement : éditer cet enregistrement