Réseau de neurones convolutifs sur graphes multimodal pour l'étude de la structure et de la fonction cérébrales dans l'anxiété et la dépression à l'adolescence
Résumé
L’anxiété et la dépression sont des troubles mentaux affectant négativement la qualité de vie. Plusieurs études ont développé des approches multimodales à partir de données issues de l’Imagerie par Résonance Magnétique (IRM) pour exploiter des informations complémentaires à travers plusieurs modalités, afin de mieux comprendre les mécanismes biologiques derrière ces maladies. Récemment, les réseaux de neurones convolutifs sur graphes (GCN) ont émergé comme un outil puissant dans la recherche sur la connectivité cérébrale. Ici, nous développons un modèle GCN multimodal pour modéliser conjointement la structure et la fonction cérébrales afin de classifier l’anxiété et la dépression chez les adolescents, en utilisant la base de données Boston Adolescent Neuroimaging of Depression and Anxiety (BANDA).
La topologie du graphe est initialisée à partir de la connectivité structurelle dérivée de l’IRM de diffusion, tandis que la connectivité fonctionnelle est intégrée sous forme de features sur les noeuds pour améliorer la distinction entre les patients anxieux, dépressifs et les controls sains. L’interprétation des principales régions cérébrales contribuant à la classification est réalisée grâce à la méthode Gradient-weighted Class Activation Mapping (Grad-CAM). Des approches unimodales utilisant exclusivement des données structurelles ou fonctionnelles ont aussi été étudiées pour établir des tests comparatifs entre notre modèle GCN multimodal et ceux unimodaux. Les performances obtenues sont supérieures dans la majorité des tâches de classification, révélant la puissance discriminative de notre approche multimodale, et mettent en évidence des motifs significatifs d’altérations cérébrales associées à l’anxiété et à la dépression.
Origine | Fichiers produits par l'(les) auteur(s) |
---|