Thèse Apprentissage Profond Auto-Supervisé pour les Séries Spatiotemporelles Cérébrales Méthodes et Applications à la Meg en Épilepsie H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique Direction de la thèse : Matthieu KOWALSKI ORCID 000000029981237X Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 Cette thèse porte sur le développement de méthodes d'apprentissage profond auto-supervisées pour l'analyse des signaux de magnétoencéphalographie (MEG) appliquées à la détection et la localisation de l'activité épileptique chez les patients pharmacorésistants. Le contexte repose sur l'émergence des magnétomètres à pompage optique (OPM-MEG) du projet PEPR OptiScales, qui offrent une résolution spatiotemporelle sans précédent, mais dont l'exploitation soulève un problème inverse mal posé : reconstruire l'activité cérébrale 3D dynamique à partir de mesures en surface, avec peu d'annotations cliniques disponibles. Pour répondre à ce défi, la thèse développe un ensemble cohérent de méthodes : une reformulation auto-supervisée de l'analyse en composantes indépendantes fondée sur le principe SURE/UNSURE pour estimer robustement les sources sans connaissance du bruit, une stratégie de déroulage profond combinant structure physique et apprentissage pour résoudre le problème inverse complet, et l'exploitation de simulations biophysiques (modèles de masse neuronale, jumeaux numériques de patients) comme données d'entraînement pour des modèles génératifs capables d'apprendre des priors réalistes. Un axe transversal important concerne la quantification d'incertitude, nécessaire pour une utilisation clinique rigoureuse. La validation s'appuiera sur un accès privilégié aux données haute résolution du projet OptiScales, avec des enregistrements invasifs simultanés comme vérité terrain.
La magnétoencéphalographie (MEG) permet d'enregistrer non-invasivement l'activité cérébrale avec une résolution temporelle élevée et une bonne sensibilité spatiale. Dans le contexte de l'épilepsie pharmacorésistante, la MEG joue un rôle clé pour localiser les zones épileptogènes avant intervention chirurgicale. Les magnétomètres à pompage optique à l'hélium-4 (4He-OPM), au coeur du projet PEPR OptiScales, repoussent les limites de la MEG classique : positionnés au plus près du scalp, insensibles à la conductivité crânienne et capables d'enregistrer sur une large bande de fréquence, ils ouvrent la voie à une cartographie cérébrale à la fois plus précise et plus flexible. Cependant, les méthodes classiques de traitement du signal MEG comme l'analyse en composantes indépendantes (ICA), inversion parcimonieuse par ondelettes ou beamforming, reposent sur des hypothèses fortes et peinent à s'adapter à la variabilité inter-patient ou à des régimes de faible rapport signal-sur-bruit, tandis que le deep learning offre une alternative prometteuse à condition d'opérer sans supervision forte. L'enjeu central de cette thèse est de développer des méthodes d'apprentissage profond auto-supervisées, mathématiquement fondées et physiquement cohérentes, pour l'analyse des signaux spatiotemporels MEG, avec pour application principale la détection et la localisation de l'activité épileptique. Ce travail vise à résoudre le problème inverse mal posé de la reconstruction de l'activité des sources cérébrales à partir de mesures en surface, en opérant sans supervision forte, sachant que les enregistrements MEG sont abondants mais rarement étiquetés et que les annotations cliniques restent partielles et incertaines.