Modèles de déformation longitudinale, régularisations spatiales et stratégies d'apprentissage pour quantifier la progression de la maladie d'Alzheimer.

Résumé Dans le contexte de la maladie d'Alzheimer, deux questions difficiles sont (1) la caractérisation des changements locaux de la forme de l'hippocampe spécifiques à la progression de la maladie et (2) l'identification des patients atteints de déficience cognitive légère susceptibles de se convertir. Dans la littérature, la question (1) est généralement résolue en premier lieu pour détecter les zones potentiellement liées à la maladie. Ces zones sont ensuite considérées comme une entrée pour résoudre (2). Comme alternative à cette stratégie séquentielle, nous étudions l'utilisation d'un modèle de classification utilisant la régression logistique pour traiter les deux questions (1) et (2) simultanément. La classification des patients ne nécessite donc aucune définition a priori des zones hippocampiques les plus représentatives potentiellement liées à la maladie, puisqu'elles sont détectées automatiquement. Nous quantifions d'abord les déformations des hippocampes des patients entre deux points temporels en utilisant le cadre des grandes déformations par difféomorphismes et nous transportons ces déformations vers un modèle commun. Comme on s'attend à ce que les déformations soient structurées dans l'espace, nous effectuons une classification combinant des techniques de perte logistique et de régularisation spatiale, qui n'ont pas été explorées jusqu'à présent dans ce contexte, pour autant que nous le sachions. La principale contribution de cet article est la comparaison de techniques de régularisation imposant aux cartes de coefficients d'être spatialement lisses (Sobolev), constantes par morceaux (variation totale) ou clairsemées (LASSO fusionné) avec des techniques de régularisation standard qui ne tiennent pas compte de la structure spatiale (LASSO, ridge et ElasticNet). Sur un jeu de données de 103 patients de l'ADNI, les techniques utilisant des régularisations spatiales conduisent aux meilleurs taux de classification. Elles trouvent également des zones cohérentes liées à la progression de la maladie.