Towards Automatic Spinal Cord MRI Analysis for Improved Estimation of Imaging Biomarkers

L’analyse automatique des images de la moelle épinière fournit des informations essentielles sur sa morphologie, permettant une caractérisation cohérente des variations anatomiques au sein des populations et facilitant le diagnostic et le suivi des maladies neurologiques. Les mesures morphométriques issues des examens d’imagerie par résonance magnétique (IRM) de la moelle épinière constituent des biomarqueurs clés pour améliorer notre compréhension de la physiopathologie de diverses maladies. La segmentation de la moelle épinière et des lésions est une condition préalable essentielle à l’extraction de biomarqueurs cliniques. Cependant, les défis inhérents à l’imagerie de la moelle épinière, à savoir la petite taille de la structure physique de la moelle, sa sensibilité au bruit et aux artefacts de mouvement, combinés à des effets de volume partiel, rendent la segmentation automatique extrêmement difficile. Par conséquent, les outils existants manquent de robustesse et ne généralisent pas correctement, ce qui suggère la nécessité de disposer d’outils automatiques capables de segmenter la moelle épinière à travers plusieurs contrastes IRM et pathologies. L’objectif général de cette thèse est de développer des outils automatisés et généralisables pour la segmentation robuste de la moelle épinière et des lésions à travers différents contrastes IRM et pathologies afin de mieux estimer les biomarqueurs d’imagerie. Cet objectif se décline en trois contributions : (i) une méthode spécifique au contraste pour la segmentation des lésions intramédullaires de la moelle épinière, (ii) une approche plus généraliste et indépendante du contraste pour la segmentation de la moelle épinière, et (iii) un cadre conçu pour faciliter l’entrainement continue des modèles de segmentation de la moelle épinière.

Abstract

Automatic image analysis of the spinal cord offers key insights into its morphology, enabling consistent characterization of anatomical variations across populations and facilitating the diagnosis and monitoring of neurological diseases. Morphometric measures derived from spinal cord magnetic resonance imaging (MRI) scans serve as key biomarkers in improving our understanding of the pathophysiology of various diseases. Segmentation of the spinal cord and lesions is a crucial prerequisite for extracting clinical biomarkers. However, the inherent challenges associated with spinal cord imaging, namely, the small physical structure of the cord, its susceptibility to noise and motion artifacts combined with partial volume effects make automatic segmentation extremely challenging. Consequently, existing tools lack robustness and are unable to generalize, suggesting the need for automatic tools that can segment the spinal cord across several MRI contrasts and pathologies. The overarching goal of this thesis is to develop generalizable, automatic tools for the robust segmentation of the spinal cord and lesions across various MRI contrasts and pathologies for better estimation of imaging biomarkers. This goal is spread across three contributions: (i) a contrast-specific method for segmenting intramedullary lesions in spinal cord injury, (ii) a more generalist, contrast-agnostic approach for spinal cord segmentation, and (iii) a framework designed to facilitate continuous training of spinal cord segmentation models.