Thèse Diagnostique et Aide au Traitement de l'Épilepsie Grâce des Magnétomètres à Pompage Optique H/F - Doctorat.Gouv.Fr

Établissement : Université Claude Bernard Lyon 1 École doctorale : NSCo - Neurosciences et Cognition Laboratoire de recherche : CRNL - CENTRE DE RECHERCHE EN NEUROSCIENCES DE LYON Direction de la thèse : Denis SCHWARTZ ORCID 0000000285572934 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 Avec 50 millions de patients dans le monde, l'épilepsie est l'une des maladies neurologiques les plus fréquentes. Environ un tiers des épilepsies restent résistantes aux traitements médicamenteux. Dans ces cas, une ablation chirurgicale des régions cérébrales à l'origine des crises est indiquée. En pratique, la localisation de la zone épileptogène est déduite à partir de plusieurs examens médicaux. La magnétoencéphalographie (MEG), une méthode permettant d'enregistrer de manière non invasive l'activité neuronale avec une haute résolution temporelle et spatiale, permet de localiser la zone épileptogène. Les enregistrements MEG de patients épileptiques présentent des pointes intercritiques, qui sont des biomarqueurs bien établis de l'épilepsie, et permettent de localiser la zone épileptogène grâce à des techniques de reconstruction de sources. Néanmoins, cette détection nécessite une analyse visuelle longue et sujette à des erreurs, réalisée par des neurophysiologistes experts. De plus, les systèmes MEG conventionnels (SQUIDs) sont à la fois coûteux et peu disponibles dans les hôpitaux français. Par conséquent, l'utilisation de la MEG en routine clinique, lors de l'évaluation préchirurgicale de l'épilepsie, reste à ce jour limitée.
Récemment, un nouveau système d'acquisition MEG (OPMs) a été développé. Ce système alternatif est plus compétitif en termes de coût et permet une acquisition des données moins contraignante pour le patient, offrant ainsi de nouvelles opportunités pour l'intégration de la MEG dans la pratique clinique.
Dans ce contexte, l'objectif principal du projet sera de développer et de valider des méthodes innovantes basées sur le deep learning pour la localisation de la zone épileptogène à partir de données MEG OPM. L'objectif est double :
(i) Développer de nouvelles techniques de deep learning pour la détection automatisée des pointes intercritiques à partir de données MEG OPM ;
(ii) Valider la localisation de la zone épileptogène à partir des pointes intercritiques détectées chez des patients épileptiques. Récemment, des outils de deep learning ont émergé pour détecter les pointes sur des enregistrements temporels (1). Ces modèles ont été entraînés sur de grandes bases de données d'enregistrements MEG acquis avec des systèmes conventionnels reposant sur des dispositifs SQUID (Superconducting Quantum Interference Devices). Leurs performances ont été validées en conditions cliniques, démontrant leur capacité à détecter des pointes dans les enregistrements de différents patients. Combinés à des méthodes de reconstruction de sources, ces outils permettent de retrouver la zone épileptogène (2).

Les systèmes OPM comportent généralement un nombre de capteurs inférieur à celui des systèmes SQUID et enregistrent le champ magnétique cérébral selon différents axes (radial et tangentiel), ce qui fournit davantage d'informations sur l'organisation spatio-temporelle des pointes. Des études récentes ont montré la similarité, en termes de morphologie des pointes, entre les enregistrements issus des systèmes SQUID et OPM (3), et des résultats préliminaires démontrent la faisabilité de la localisation de la zone épileptogène à partir de données OPM (4). Néanmoins, il existe encore un manque de méthodes permettant d'analyser automatiquement ce nouveau type de données.
Le projet visera, dans un premier temps, à développer de nouvelles méthodes de deep learning pour la détection automatisée des pointes intercritiques dans les enregistrements MEG OPM. Des architectures de modèles basées sur des transformeurs seront envisagées afin d'entraîner des modèles capables de bien se généraliser à différents systèmes MEG OPM, présentant des variations du nombre de capteurs et de leur position sur le crâne (5). Des techniques telles que le transfer learning seront étudiées afin de tirer parti de larges bases de données existantes d'enregistrements MEG SQUID (6).
Dans un second temps, les pointes intercritiques détectées seront utilisées comme entrée de méthodes de reconstruction de sources pour localiser la zone épileptogène (7). La précision de la localisation de la zone épileptogène sera évaluée en la comparant aux résultats d'autres examens médicaux issus du bilan préchirurgical, tels que la présence de lésions sur les données d'IRM ou les résultats d'EEG intracrânien pour les patients ayant bénéficié de cette procédure (8).

Formation : ingénierie biomédicale, informatique ou mathématiques appliqués.
Compétences techniques : Traitement du signal, deep learning, programmation en Python, expérience passée avec des données d'électrophysiologie souhaitée
Autres compétences : bonne capacité de communication et de rédaction scientifique, niveau d'anglais avancé.