Multimodal brain network alignment to correct for inter-subject variability with an application to structure-function mapping

En neuroscience, le cortex cérébral est souvent sous-divisé en régions, de manière à simplifier sa complexité. Les avancées en Imagerie par Résonance Magnétique (IRM), telle que l'IRM de diffusion permettent de cartographier les fibres de matière blanche, estimant ainsi les connections structurelles entre les régions corticales. L'IRM fonctionnelle, en évaluant les changements de flux sanguin locaux dans certaines régions du cortex, nous donne une information sur le couplage fonctionnel entre régions. Ces deux techniques d'IRM, nous permettent d'étudier le cerveau d'un point de vue réseau, où les régions corticales sont les noeuds et la connectivité entre elles (structurelle ou fonctionnelle) sont les arrêtes. En utilisant des parcellisations corticales, on suppose que les régions de même étiquette correspondent à travers les sujets. Cependant, malgré son organisation globalement commune, le cerveau d'un individu est unique, car modelé par des facteurs génétiques et environnementaux et la variabilité spatiale a largement été étudiée et démontrée. En conséquence, supposer une correspondance parfaite de chaque étiquette à travers tous les individus est optimiste, en particulier pour les parcellisations fines. La majorité des études sur la connectivité cérébrale repose sur des parcellisations construites sur des moyennes de sujets, négligeant ainsi la variabilité spatiale. Nous proposons de corriger cette variabilité intersujets en réassignant les labels à travers les individus. En particulier, nous présentons une méthode d'alignement qui considère la connectivité multimodale ainsi que des contraintes anatomiques pour identifier une correspondance de régions à travers les sujets. Nous avons appliqué cette approche sur des sujets jeunes et en bonne santé du Human Connectome Project en utilisant leurs connectivités structurelles et fonctionnelles. Nos résultats montrent qu'une importante variabilité de connectivité existe et qu'elle peut être en partie corrigée par une réassignation des étiquettes qui augmente la similarité entre les réseaux cérébraux. Une importante considération en neuro-imagerie est de comprendre comment la fonction cérébrale et sa structure sont intrinsèquement liées. On peut s'attendre à ce que la connectivité fonctionnelle soit contrainte par la connectivité structurelle. La relation entre ces connectivités a été démontrée malgré sa complexité. Une approche commune consiste à développer des modèles qui ont pour but de prédire la connectivité fonctionnelle d'un sujet à partir de sa connectivité structurelle. Nous avons étudié l'impact de la résolution spatiale des parcellisations sur ces prédictions, ainsi que l'influence du paradigme de tâche sur la prédiction fonctionnelle. Enfin, nous avons appliqué notre algorithme de correction de la variabilité spatiale pour évaluer son influence sur les prédictions.