Scientific Teams

Previous page

Equipe “ARAMIS Modèles mathématiques et algorithmes pour le traitement des images et des signaux du cerveau humain”

Presentation

ARAMIS est une équipe commune entre le CNRS, l’Inria, l’Inserm et l’UPMC (Université Pierre et Marie Curie) au sein de l’ICM. L’objectif général de l’équipe est de concevoir de nouvelles approches mathématiques et informatiques pour l’étude de la structure du cerveau humain (en utilisant l’IRM anatomique et de diffusion) et de ses réseaux fonctionnels (en utilisant l’EEG et la MEG). L’objectif est de transformer les données brutes d’imagerie en des modèles formalisés tels que des modèles géométriques de la structure du cerveau, des modèles statistiques de populations, des graphes de connectivité… Ces approches permettent de définir de nouveaux biomarqueurs de pathologies, d’étudier les corrélations génotype/phénotype ou encore de caractériser les réponses fonctionnelles. Ces nouvelles approches sont appliquées à l’étude des pathologies du cerveau, en particulier les maladies neurodégénératives (maladie d’Alzheimer et autres démences), l’épilepsie, les troubles développementaux et pour construire des interfaces cerveau-machine.

 

Le projet de l’équipe se compose de trois axes de recherches étroitement liés :

Modélisation de la structure du cerveau : de l’imagerie aux modèles géométriques

L’objectif global est de construire des modèles mathématiques de la structure du cerveau humain. À cet effet, l’équipe va concevoir des approches mathématiques pour combiner : a) IRM in vivo à très haut champ avec résolution spatiale submillimétrique ; b) atlas histologiques et IRM post-mortem ; c) IRM pondérées en diffusion à haute résolution angulaire. Ces nouveaux modèles seront utilisés pour étudier les altérations structurelles dans des pathologies telles que la maladie d’Alzheimer, l’AVC, l’épilepsie et le trouble du développement. Ils devraient permettre d’identifier de nouveaux biomarqueurs pour le diagnostic, le pronostic et le suivi de la progression de la maladie.

Modélisation des données dynamiques des réseaux cérébraux :

L’objectif de son projet est de fournir un cadre théorique cohérent pour l’analyse et la modélisation de la dynamique du cerveau en termes de réseaux à connectivité fonctionnelle variable dans le temps. Le projet permettra de mieux comprendre l’activité anormale qui se produit pendant des maladies du cerveau dynamiques (ex : épilepsie et maladie d’Alzheimer) ou pendant la récupération naturelle après une lésion cérébrale (ex : récupération après un AVC).

Ce projet devrait ensuite permettre : i) d’étudier les schémas de connectivité fonctionnelle et de créer de nouvelles mesures et de nouveaux modèles pour quantifier les interactions entre les réseaux du cerveau aux différentes échelles spatio-temporelles ; ii) de quantifier l’effet des pratiques de réhabilitation (basées sur des interfaces cerveau-ordinateur) sur la plasticité du cerveau.

Données multimodales à grande échelle : une approche intégrée :

Des ensembles de données multimodaux à grande échelle, combinant l’imagerie cérébrale, les « omiques », l’électrophysiologie et des tests cognitifs, deviennent un outil crucial dans la recherche sur les neurosciences. Ces ensembles de données sont complexes, hautement dimensionnels et souvent hétérogènes, si bien qu’il est nécessaire de développer de nouvelles méthodologies pour les exploiter pleinement. L’équipe est très engagée dans l’élaboration de nouvelles méthodes pour la recherche multimodale à grande échelle. À cet effet, elle développe trois principaux axes de recherches : i) le développement de méthodologies pour acquérir et standardiser des données de neuroimagerie multicentre ; ii) la conception de nouvelles approches d’apprentissage statistiques pour découvrir des relations avec les données ; iii) un nouvel axe sur l’intégration multimodale et la modélisation de structure et d’électrophysiologie.

Principales publications

  • Cuingnet R., Glaunès J.A., Chupin M., Benali H. and Colliot O., The ADNI. Spatial and anatomical regularization of SVM: a general framework for neuroimaging data, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35 (3), 682-696, 2013. ( > lien vers la publication  )
  • Durrleman S., Pennec X., Trouvé A., Braga J., Gerig G., Ayache N. Toward a comprehensive framework for the spatiotemporal statistical analysis of longitudinal shape data. Int J Comput Vis. 2013 May;103(1):22-59. ( > lien vers la publication  )
  • Chavez M., Valencia M., Navarro V., Latora V., Martinerie J. Functional modularity of background activities in normal and epileptic brain networks. Phys Rev Lett. 2010 Mar 19;104(11):118701. ( > lien vers la publication  )
  • Chupin M., Hammers A., Liu R.S., Colliot O., Burdett J., Bardinet E., Duncan J.S., Garnero L., Lemieux L. Automatic segmentation of the hippocampus and the amygdala driven by hybrid constraints: method and validation. Neuroimage. 2009 Jul 1;46(3):749-61.( > lien vers la publication  )
  • Gerardin E., Chételat G., Chupin M., Cuingnet R., Desgranges B., Kim H.S., Niethammer M., Dubois B., Lehéricy S., Garnero L., Eustache F., Colliot O.; Alzheimer’s Disease Neuroimaging Initiative. Multidimensional classification of hippocampal shape features discriminates Alzheimer’s disease and mild cognitive impairment from normal aging. Neuroimage. 2009 Oct 1;47(4):1476-86. ( > lien vers la publication  )
More information Hide

Team members