Anastasia Yendiki

Rejoignez-nous le mercredi 26 mars 2025, à 14h00, pour la prochaine série d’imagerie du CIC.

Go to top

Présentatrice

Anastasia Yendiki
Professeure associée de radiologie,
Harvard Medical School

Biographie

Anastasia Yendiki est professeure associée en radiologie à la Harvard Medical School et chercheuse associée au Massachusetts General Hospital, Martinos Center for Biomedical Imaging. Elle est la principale investigatrice du centre pour l’imagerie à grande échelle des circuits neuronaux (LINC), un consortium multi-institutionnel financé par le programme CONNECTS de l’initiative BRAIN du NIH, visant à imager les circuits cérébraux humains et non humains à différentes échelles. Anastasia a obtenu son doctorat en génie électrique : systèmes à l’Université du Michigan à Ann Arbor, où elle a travaillé sur les problèmes inverses en reconstruction d’images tomographiques. Elle a ensuite rejoint le Martinos Center, d’abord en tant que postdoctorante, puis en tant que membre du corps professoral. Là, elle a développé TRACULA, la boîte à outils de tractographie par diffusion dans le package logiciel FreeSurfer. Elle a été investigatrice principale sur le site MGH dans le cadre du projet Connectomes Related to Human Disease, et a dirigé l’IronTract Challenge, une initiative réunissant des développeurs de tractographie du monde entier pour comparer et optimiser la précision de leurs méthodes à l’aide de données post-mortem de référence. Ses intérêts actuels portent sur l’obtention de modèles précis des faisceaux de fibres de la substance blanche à partir de techniques de microscopie, telles que le traçage anatomique et l’imagerie optique, et sur le développement de méthodes capables de tirer parti de ces modèles post-mortem pour inférer l’anatomie des connexions à partir de l’IRM de diffusion in vivo.

Titre

La tractographie de diffusion au microscope : Ce qui fonctionne, ce qui ne fonctionne pas, et ce qui va suivre

Résumé

La tractographie par IRM de diffusion a attiré l’attention à la fois pour sa valeur, en tant qu’outil unique pour imager le câblage du cerveau in vivo, et pour ses limitations, en tant qu’outil qui ne peut atteindre la précision des techniques anatomiques invasives. Dans cette présentation, je discuterai des leçons tirées de notre expérience dans le développement d’outils de tractographie pour les études in vivo, ainsi que de la comparaison entre la tractographie et l’anatomie dans les études ex vivo. Ce qui fonctionne? L’IRM de diffusion est remarquablement efficace pour reconstruire l’anatomie connue. Sous sa forme supervisée, où l’algorithme de tractographie peut intégrer des connaissances anatomiques préalables, elle peut reconstruire avec précision les principales autoroutes du cerveau, même à partir de données d’IRM de diffusion collectées avec un protocole d’acquisition relativement modeste. Les dernières avancées en matière de matériel et de séquences nous permettent d’aller bien au-delà de ces autoroutes et de reconstruire l’organisation détaillée des petits faisceaux de fibres, répliquant les résultats des études anatomiques invasives. Ce qui ne fonctionne pas? La tractographie par diffusion ne peut pas être utilisée à la place des études anatomiques, c’est-à-dire qu’elle ne peut pas être utilisée comme seule source de preuve que deux régions du cerveau sont connectées ou non. Cela est dû au fait que, sous sa forme purement non supervisée, la tractographie produira non seulement des solutions anatomiquement correctes, mais aussi des solutions erronées. Les études post-mortem qui comparent l’IRM de diffusion et les trajectoires réelles des fibres observées au microscope dans les mêmes échantillons, bien que limitées en termes de débit, fournissent des indices importants sur les endroits et les raisons pour lesquelles la tractographie échoue. Et ensuite ? Ces études suggèrent que les améliorations de la qualité des données d’IRM de diffusion ne seront pas suffisantes pour résoudre ces erreurs de tractographie, car elles découlent d’une limitation du paradigme analytique actuel. La voie à suivre impliquera d’augmenter le débit des études post-mortem pour collecter à plus grande échelle des orientations axonales d’IRM de diffusion et de vérité terrain appariées, et de tirer parti des avancées rapides en matière d’apprentissage automatique pour concevoir la prochaine génération d’algorithmes de tractographie.