Mapping Structural Lesion Networks Underlying Cognitive, Emotional, and Motor Impairment in CADASIL: A Large-Scale Longitudinal Voxel-Based MRI Study // Mapping Structural Lesion Networks Underlying Cognitive, Emotional, and Motor Impairment in CADASIL: A

CADASIL, principale maladie monogénique des petits vaisseaux, offre un modèle unique pour comprendre comment les lésions microvasculaires entraînent un déclin cognitif, émotionnel et moteur. Ce doctorat s'appuiera sur plus de 2 500 IRM longitudinales accompagnées de données cliniques détaillées afin d' identifier les réseaux de vulnérabilité structurelle et les seuils de lésions prédictifs de la dépression, du ralentissement cognitif, des troubles de la mémoire et de la démence. Le candidat utilisera des pipelines avancés de traitement d'images et de statistiques, notamment la segmentation automatisée des lésions sur T2/FLAIR, la morphométrie voxel-based (VBM), la cartographie voxel-based des lésions et des symptômes (VLSM), l'analyse des réseaux de lésions et les modèles longitudinaux à effets mixtes. La réduction du bruit, l'harmonisation des IRM et la validation rigoureuse de la quantification des lésions seront essentielles. Les résultats permettront de faire progresser la compréhension mécanistique et de soutenir les biomarqueurs prédictifs des maladies des petits vaisseaux.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

CADASIL, the leading monogenic small-vessel disease, ofers a unique model to understand how microvascular lesions drive cognitive, emotional, and motor decline. This PhD will leverage >2,500 longitudinal MRI scans with detailed clinical data to identify structural vulnerability networks and lesion thresholds predicting depression, cognitive slowing, memory impairment, and dementia. The candidate will use advanced image-processing and statistical pipelines, including automated lesion segmentation on T2/FLAIR, voxel-based morphometry (VBM), voxel-based lesion–symptom mapping (VLSM), lesion-network analysis, and longitudinal mixed-efects models. Noise reduction, MRI harmonization, and rigorous validation of lesion quantifcation will be key. Outcomes will advance mechanistic understanding and support predictive biomarkers for small-vessel disease.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Sorbonne Université SIS (Sciences, Ingénierie, Santé)

158 Cerveau, cognition, comportement

Le candidat idéal est titulaire d'un master en neurosciences, en génie biomédical, en mathématiques appliquées ou en science des données. Les compétences requises comprennent des connaissances fondamentales en statistiques et en modélisation linéaire, une expérience des outils de neuroimagerie (par exemple, SPM, FSL, ANTs), une bonne connaissance de Python, MATLAB ou R, et une motivation à travailler avec de grands ensembles de données et des procédures de contrôle qualité. Les compétences supplémentaires souhaitables comprennent la modélisation à effets mixtes et de survie, les méthodes d'apprentissage automatique pour les données d'imagerie, le contrôle de version et l'expérience du calcul haute performance. Une formation sera fournie pour les outils spécialisés et les méthodes statistiques avancées. L'étudiant rejoindra un groupe de recherche neurovasculaire de premier plan au sein d'un grand institut de neurosciences, où il travaillera avec des neurologues, des scientifiques spécialisés en imagerie, des analystes de données et des cliniciens. L'environnement offre un mentorat solide, une formation doctorale structurée, des séminaires interdisciplinaires et des opportunités de collaborations nationales et internationales .
The ideal candidate holds a Master's degree in neuroscience, biomedical engineering, applied mathematics, or data science. Required competencies include foundational knowledge in statistics and linear modeling, experience with neuroimaging tools (e.g., SPM, FSL, ANTs), familiarity with Python, MATLAB, or R, and motivation to work with large datasets and quality-control procedures. Additional desirable skills include mixed-efects and survival modeling, machine-learning methods for imaging data, version control, and experience with high-performance computing. Training will be provided for specialized tools and advanced statistical methods. The student will join a leading neurovascular research group within a major neuroscience institute, engaging with neurologists, imaging scientists, data analysts, and clinicians. The environment ofers strong mentorship, structured doctoral training, interdisciplinary seminars, and opportunities for national and international collaborations.