Hippocampe, Deep learning, Intelligence artificielle, Segmentation, Irm

L'hippocampe, essentiel aux fonctions cognitives telles que la navigation spatiale et la mémoire épisodique, contient des sous-champs distincts sur le plan anatomique et fonctionnel. Ces sous-champs peuvent être étudiés par IRM afin de découvrir leur développement et les altérations liées à la maladie. Le défi, cependant, réside dans la segmentation des sous-champs en raison de facteurs tels que la résolution insuffisante, le contraste et l'absence de directives de segmentation manuelle établies. Cette thèse présente trois contributions expérimentales pour relever ces défis. Premièrement, nous avons créé l'Hippocampal Segmentation Factory (HSF), un outil d'apprentissage profond automatisé permettant une segmentation efficiente des sous-champs hippocampiques dans diverses populations saines ou pathologiques, âgées de 4 à 100 ans. Deuxièmement, nous avons décrit les trajectoires des sous-champs hippocampiques tout au long de la vie en utilisant HSF et des données provenant de plusieurs ensembles de données HCP. Troisièmement, nous avons décrit l'évolution de la connectivité fonctionnelle des sous-champs entre 4 et 25 ans à l'aide de l'IRMf en état de repos. Nous avons également abordé les incertitudes liées aux résultats grâce à la méthode en IA explicable a posteriori et examiné l'effet Rashomon à l'aide de la méthode SHAP. Cette méthode permet de réaliser des études plus détaillées sur les sous-champs de l'hippocampe dans le domaine de la santé et des troubles neurologiques en fournissant un outil de segmentation robuste et des informations sur les incertitudes de l'apprentissage automatique. Elle offre par ailleurs des lignes directrices pour l'analyse de l'incertitude dans l'IA explicable, ce qui a des implications au-delà des neurosciences.