Sélection de modèles bayésiens pour des données d'imagerie neuro-pathologique appliquées à la segmentation des lésions de la substance blanche

Dans les études d'imagerie neuro, les pathologies peuvent se présenter sous forme de motifs d'intensité anormaux. Ainsi, des solutions pour détecter des intensités anormales sont actuellement à l'étude. Comme chaque patient est unique, un modèle non biaisé et biologiquement plausible de données pathologiques devrait être capable de s'adapter à la présentation individuelle du sujet. Un tel modèle fournirait les moyens d'une meilleure compréhension des processus biologiques sous-jacents et améliorerait la capacité à définir des biomarqueurs d'imagerie ayant une signification pathologique. Dans cet esprit, ce travail propose un cadre de sélection de modèle hiérarchique entièrement non supervisé pour les données d'imagerie neuro qui permet de distinguer différents types de motifs d'images anormaux sans connaissance a priori pathologique. Son application sur des données simulées et cliniques a démontré la capacité à détecter des grappes d'intensité anormale, aboutissant à un comportement compétitif à amélioré dans la segmentation des lésions de la substance blanche par rapport à trois autres méthodes automatisées librement disponibles.