Note ABES Analyse d'IRM cérébrales de souris par apprentissage profond dans le cadre des études de groupes Deep learning-based analysis of mouse brain MRIs in group studies Étude préclinique Morphométrie basée voxel Apprentissage profond Segmentation Recalage Preclinical study Voxel-based morphometry Deep learning Segmentation Registration 006.3 Imagerie par résonance magnétique Apprentissage profond Cette thèse explore l’utilisation de l’imagerie par résonance magnétique (IRM) associée à l’apprentissage profond pour analyser les structures cérébrales de souris dans un contexte préclinique d’étude de groupes. L’objectif est d’évaluer l’effet de mutations sur le cerveau à travers des cohortes comparées par morphométrie basée voxel (VBM), comprenant recalage, segmentation et analyse statistique. Le résultat est une carte spatiale identifiant les différences volumiques significatives entre groupes au niveau voxel. Les méthodes par apprentissage profond, reconnues comme plus performantes pour l’analyse d’images médicales, n’ont pas encore été adoptées par la communauté. Nous étudions dans cette thèse l’impact de ces méthodes sur l’analyse VBM, et comment les adapter dans notre cadre spécifique. Une contribution majeure est l’introduction d’une approche d’optimisation non supervisée spécifique à l’étude de groupes. Pour se rapprocher des méthodes conventionnelles, nous étudions l’effet de la régularisation induit par le recalage inverse. Nous montrons finalement leur intérêt et leur impact sur l’analyse VBM. This thesis explores the use of magnetic resonance imaging (MRI) combined with deep learning to analyze brain structures in mice within a preclinical group study framework. The goal is to assess the effects of mutations on the brain by comparing cohorts using voxel-based morphometry (VBM), which involves image registration, tissue segmentation, and statistical analysis. The output is a spatial map identifying significant volumetric differences between groups at the voxel level. Although deep learning methods are known to be more effective for medical image analysis, they have not yet been widely adopted by the community. In this thesis, we study the impact of these methods on VBM analysis and how to adapt them to our specific context. A major contribution is the introduction of an unsupervised optimization approach tailored to group studies. To stay close to conventional methods, we also investigate the effect of regularization induced by inverse registration. We ultimately demonstrate their relevance and impact on VBM analysis. Electronic Thesis or Dissertation Text fr PDF 6308331 https://publication-theses.unistra.fr/public/theses_doctorat/2025/VALENTINI_Franck_2025_ED269.pdf http://www.theses.fr/2025STRAD001/abes https://theses.hal.science/tel-05027023 https://theses.hal.science/tel-05027023 https://theses.hal.science/tel-05027023 Valentini Franck 1993-02-19 FR 28422829X 123742872CJ 22118306 4200018 http://www.theses.fr/2025STRAD001 2025STRAD001 2025-03-31 Signal, Image, Robotique, Automatique Strasbourg 131056549 Doctorat Docteur es non oui Noblet Vincent MADS_DIRECTEUR_DE_THESE_1 115580166 Harsan Laura-Adela MADS_DIRECTEUR_DE_THESE_2 119653273 Passat Nicolas MADS_PRESIDENT_DU_JURY 101512821 Lallement Alex MADS_MEMBRE_DU_JURY_1 178576387 Mateus Diana MADS_RAPPORTEUR_1 140624740 Rousseau François MADS_RAPPORTEUR_2 075894467 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Noblet Vincent Harsan Laura-Adela Passat Nicolas Lallement Alex Mateus Diana Rousseau François École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 6308331