Statistical learning for image-based personalization of cardiac models. (Apprentissage statistique pour la personnalisation de modèles cardiaques à partir de données d'imagerie)

Cette thèse porte sur un problème de calibration d’un modèle électromécanique de cœur, personnalisé à partir de données d’imagerie médicale 3D + t ; et sur celui — en amont — de suivi du mouvement cardiaque. Les perspectives à long terme de la simulation personnalisée de la fonction cardiaque incluent l’aide au diagnostic et à la planification de thérapie, ainsi que la prévention des risques cardiovasculaires. A cette fin, nous adoptons une méthodologie fondée sur l’apprentissage statistique. Pour la calibration du modèle mécanique, nous introduisons une méthode efficace mêlant apprentissage automatique et une description statistique originale du mouvement cardiaque utilisant la représentation des courants 3D + t. Notre approche repose sur la construction d’un modèle statistique réduit reliant l’espace des paramètres mécaniques à celui du mouvement cardiaque. L’extraction du mouvement à partir d’images médicales avec quantification d’incertitude apparaît essentielle pour cette calibration, et constitue l’objet de la seconde partie de cette thèse. Plus généralement, nous développons un modèle bayésien parcimonieux pour le problème de recalage d’images médicales. Notre contribution est triple et porte sur un modèle étendu de similarité entre images, sur l’ajustement automatique des paramètres du recalage et sur la quantification de l’incertitude. Nous proposons une technique rapide d’inférence gloutonne, applicable à des données cliniques 4D. Enfin, nous nous intéressons de plus près à la qualité des estimations d’incertitude fournies par le modèle. Nous comparons les prédictions du schéma d’inférence gloutonne avec celles données par une procédure d’inférence fidèle au modèle, que nous développons sur la base de techniques MCMC. Nous approfondissons les propriétés théoriques et empiriques du modèle bayésien parcimonieux et des deux schémas d’inférence.