Formation and development of the human brain is initiated in utero and carries on until young adulthood. During the prenatal period, most significant morphological changes occur, following well-defined spatiotemporal patterns. Eventual disruption occurring during these periods of vulnerability may have major impact later in life. It is, therefore, of the utmost importance to get a better understanding of the fetal brain development.
Magnetic resonance imaging (MRI) is a non-invasive technique that relies on the tissue properties of to generate the image intensities. Towards the quantitative analy- sis, the fetal brain MRI workflow gathers the image acquisition, the image resolution enhancement through super-resolution (SR) reconstruction and the reduction of image complexity with the tissue segmentation. This thesis focuses on the development and validation of robust automated tools for the quantitative analysis of the fetal brain in MRI. Specifically, we address two key steps that encounter fetal-specific challenges: the SR reconstruction and the tissue segmentation. In practice, both are hindered by the major obstacle of data scarcity of fetal brain MRI.
With the impossibility to acquire motion-free high resolution images, the validation of SR reconstruction is troublesome. Our first contribution is a multi-observer multi-dataset study to validate the practical value of SR reconstruction in a clinical environment. We evidence that SR does not introduce spatial distortions and increases the confidence of the observer. Furthermore, we propose a simulation-based approach for the enhancement of the overall SR-reconstructed image intensity contrast.
Automatic tissue segmentation methods must generalize to be robust to the many sources of variations that may be induced by the gestation-long maturation, the acquisition system or the SR reconstruction method. We propose novel data augmentation strategies in order to increase the heterogeneity of the data. Our methods, either relying on a simulation framework or a multi-reconstruction approach, increases the generalizability of deep-learning (DL) based segmentation models. Finally, a major methodological contribution of this thesis is the topologically-constrained DL frame- work for the cortical plate segmentation.
Overall, our contributions in image reconstruction and tissue segmentation take a step forward in the accuracy, generalizability and translation of methods. Although some limitations remain, the combination of these advanced engineering methods set solid grounds for the study of the in utero brain development.
--
La formation et le développement du cerveau humain commencent in utero et se pour- suivent jusqu’au début de l’âge adulte. Au cours de la période prénatale les change- ments morphologiques les plus importants se produisent selon des schémas spatio- temporels bien définis. Les éventuelles perturbations survenant au cours de ces péri- odes de vulnérabilité peuvent avoir un impact majeur plus tard dans la vie. Il est donc important de mieux comprendre le développement du cerveau fœtal.
L’imagerie par résonance magnétique (IRM) est une technique non invasive qui s’appuie sur les propriétés des tissus pour générer des variations d’intensité, et construire une image. Les différentes étapes de l’analyse quantitative du cerveau fœtal dérivé de l’IRM comprennent l’acquisition de l’image, l’amélioration de la résolution de l’image par la reconstruction en super-résolution (SR) et la réduction de la complex- ité de l’image par la segmentation des tissus. Cette thèse se concentre sur le dévelop- pement et la validation d’outils automatisés robustes pour l’analyse quantitative du cerveau fœtal en IRM. Plus précisément, nous abordons deux étapes clés qui rencon- trent actuellement des difficultés spécifiques à l’imagerie fœtale : la reconstruction en SR et la segmentation des tissus. En pratique, ces deux étapes sont freinées et éprou- vées par la rareté des données IRM du cerveau fœtal.
Avec l’impossibilité d’acquérir des images haute résolution sans mouvement, la val- idation de la reconstruction SR est difficile. Notre première contribution est une étude multi-observateurs et multi-dataset pour valider la valeur pratique de la reconstruction SR dans un environnement clinique. Nous démontrons que la SR n’introduit pas de distorsions anatomiques et augmente l’assurance de l’observateur. En outre, nous pro- posons une approche basée sur la simulation pour l’amélioration du contraste global d’intensité de l’image reconstruite par SR.
Les méthodes de segmentation automatique des tissus doivent, pour être robustes, être généralisées aux nombreuses sources de variations qui peuvent être induites par la maturation pendant la gestation, le système d’acquisition ou la méthode de reconstruction SR. Nous proposons de nouvelles stratégies d’augmentation de données afin d’en accroître l’hétérogénéité. Nos méthodes, qui s’appuient soit sur la simulation d’images de synthèse, soit sur une approche de multi-reconstruction, augmentent la généralisation des modèles de segmentation par apprentissage automatique. Finale- ment, la contribution méthodologique majeure de cette thèse est l’intégration d’une contrainte topologique dans l’entrainement de méthode de segmentation par apprentissage automatique pour la plaque corticale.
Dans l’ensemble, ce travail permet une avancée majeure en terme de précision, généralisation et implémentation des méthodes quant à la reconstruction et à la segmentation des tissus en IRM. Bien que certaines limites subsistent, la combinaison de ces méthodes d’ingénierie avancées constitue une base solide pour l’étude du développement du cerveau in utero.