Dynamique c´er´ebrale en neuro-imagerie fonctionnelle

A la fin de ce chapitre, pour les lecteurs qui souhaitent éviter de lire III. chapitres, un résumé concis de mon sujet de recherche est fourni. La quatrième section, Références bibliographiques, compile la bibliographie de l'ensemble du document, à l'exception du contenu de la note bibliographique du chapitre 3.

Etat civil ´

Exp´erience professionnelle

Formation initiale

Formation continue

Prix et concours

Expertise scientifique

Partenariats scientifiques

Au sein de l’ifr 49 « Neuroimagerie fonctionnelle » , Paris

A l’´echelle nationale `

A l’´echelle internationale `

Encadrement

Post-doctorats

Th`eses

Master 2 recherche et DEA

Enseignement et p´edagogie

Enseignement universitaire

Tableaux r´ecapitulatifs

Formateur en imagerie c´er´ebrale fonctionnelle

Diffusion logicielle et vulgarisation scientifique

R´esum´e de ma th´ematique scientifique

Dans le cadre inférentiel bayésien, j'ai proposé différents modèles du signal graisseux (Blood Oxygen Level Dependent), mais aussi du bruit, pour réaliser des analyses cérébrales entières à partir d'une fragmentation fonctionnelle préexistante. La quatrième partie traite de la solution d'un problème de reconstruction en imagerie par résonance magnétique parallèle, c'est-à-dire lorsque le signal est collecté sur un réseau d'antennes de surface au lieu d'une antenne volumique.

Revues sans comit´e de lecture

Poline, "Dealing with the shortcomings of spatial normalization: Multi-subject parcellation of fMRI datasets", Hum. Structural analysis of fMRI data revisited: improving sensitivity and reliability of fMRI group studies», IEEE Trans.

Chapitres de livre

Articles soumis dans des revues internationales avec comit´e de lecture

Calculation of the pair (ζ(q), D(h)) from two fMRI time series corresponding to activation (red) and resting state (black) data sets in the same voxel. Integrating the exact functional relations in (7) leads to (see the appendix for a summary of the properties used).

Communications ` a des congr`es internationaux avec comit´e de lecture

Communications ` a des congr`es nationaux avec comit´e de lecture

Communications ` a des congr`es sans actes, posters

Poline, "On the spatial variability of the BOLD HRF and some regularization strategies", in Proc. Poline, "A region-based method for estimating the neural impulse response in event-related fMRI", in 10th HBM, Budapest, Hungary, June 2004.

S´eminaires, workshops, conf´erences invit´ees

Rapports de recherche

Th`ese, dea

Documents p´edagogiques

Rapports de contrat de recherche

Contexte g´en´eral

Depuis 2000, mon activité de recherche s'exerce au sein du groupe Modèles et Analyse de Données en Imagerie Cérébrale de l'Unité de Neuroimagerie Anatomique-Fonctionnelle (unaf ) au sein du Service Hospitalier Frédéric Joliot (shfj/cea), sous la responsabilité de Jean-. J'ai également sollicité des physiciens en vue d'influencer le choix de certains paramètres d'images ou de certains reconstructeurs, et d'améliorer l'analyse ultérieure des données reconstruites.

Pourquoi l’acquisition des donn´ees ne suffit pas en neuro-imagerie ?

Nouvelles questions, changement de cap ?

4 étapes de correction, mais aussi de destruction d'une partie des informations contenues dans les données. 7 c'est-à-dire capable de traiter les données issues des examens d'imagerie par résonance magnétique (anatomique, fonctionnelle, de diffusion), mais aussi de magnéto- ou électroencéphalographie (meeg).

Th`eme 1 – Estimation non-param´etrique de la r´eponse h´emodynamique

Sous-th`eme 1a –Identification non-supervis´ee

Des approches « empiriques bayésiennes » (voir [a.3]) qui consistent à estimer les hyperparamètres au sens du maximum de vraisemblance à partir des données, puis à injecter les valeurs estimées ees dans la distribution a posteriori du FRH, sans prendre en compte l'incertitude de ces estimations. La qualité de l'estimation s'est considérablement améliorée en adoptant une approche totalement probabiliste [d.4].

Sous-th`eme 1c – Extensions spatiales et recherche d’homog´en´eit´e fonction-

Chaque couleur représente une étiquette, c'est-à-dire un tracé spécifique ; La figure (c) indique pour chaque sujet le vecteur d'effets gras estimé pour chacune des dix parcelles lors de l'ajustement d'un GLM standard. Le problème d'estimation devient plus difficile, notamment parce que la variabilité spatiale est toujours prise en compte en modulant l'amplitude de la réponse d'un voxel à l'autre.

Sous-th`eme 1b – Statistiques de d´etection et de comparaison

En haut, ces cartes proviennent de MLG standards, c'est à dire. défini à partir du FRHhc canonique. Dans ce cas, les termes hors diagonale doivent être pris en compte lors du calcul de la distance Mahalanobis.

Sous-th`eme 1d – Extension non-stationnaire

Ainsi, dans ce cadre, il devient possible d'effectuer une détection d'activation dans le signal fonctionnel, spatialement moyenné ou non, utilisé pour la caractérisation temporelle du HRF. Fig.III.5 – Amplitude de réponse hémodynamique estimée par le test dans (a) un clic droit et (b) des conditions visuelles à partir de signaux irmf moyennés sur une région motrice.

Sous-th`eme 1e – Applications en neuropsychologie cognitive et exp´erimentale 39

En particulier, nous avons pu démontrer une plus grande vitesse de la réponse hémodynamique insulaire par rapport à la réponse cingulaire. Dans le cadre de la thèse de Nicolas Wotawa, nous avons ensuite estimé la dynamique de la réponse dans chaque zone visuelle primaire pour en évaluer la sélectivité.

Sous-th`eme 2a –Mod`eles de m´elanges ind´ependants

Une première contribution d'un mélange gaussien de deux classes [a.8] a montré qu'une telle modélisation pouvait s'avérer insuffisante dans les situations où le mélange « génère ». Nous ne parlons pas de cas extrêmes où l'une des deux classes est vide19, mais plutôt d'une situation où les deux distributions gaussiennes deviennent difficiles à distinguer (voir Figure III.9).

Sous-th`eme 2b – Mod´elisation du bruit

Pour résoudre ce problème, nous avons proposé d'introduire une contrainte de positivité sur le support de la distribution des activations. Le taux de faux positifs diminue lorsque la corrélation temporelle est prise en compte.

Sous-th`eme 2c – Mod´elisation de la corr´elation spatiale

Dans ces premiers travaux, le paramètre déterminant la régularité spatiale du champ a été déterminé empiriquement en fonction de la résolution spatiale des volumes fonctionnels obtenus, des habitudes des neuropsychologues en matière de lissage spatial des données, et de tests sur données réelles. Il serait néanmoins intéressant d'ajuster automatiquement ce paramètre de régularité intrinsèque à partir des données, et de rendre la régularisation spatiale adaptative comme dans [Woolrich et al.

Sous-th`eme 2d – Mod´elisation de d´eactivations

Pour cette deuxième situation, la collaboration avec l'équipe de Milan et peut-être bientôt celle de Marseille (Christian Benar, inserm U751, Univ. de la Méditerranée), est fructueuse car elle permet d'accéder à des données qui présentent sûrement de telles désactivations focales. Ces données nous aideront à valider notre modèle à trois classes qui intègre la corrélation spatiale.

Sous-th`eme 2e – Mod`eles non-lin´eaires et/ou non-stationnaires

Ils permettent de conclure des modèles plus souples donc plus complexes, de taille variable, où les fluctuations de l'activité spontanée conduisent à définir une amplitude de réponse par essais, indépendants mais pas nécessairement distribués de manière identique. Les mécanismes d'inférence adaptés sont du type méthode MCMC à saut réversible [Green1995, Richardson et Green 1997] et permettent d'évoluer au sein de familles de modèles imbriqués pour une étape de sélection de modèles.

Sous-th`eme 2f – Ind´etermination li´ee ` a la bilin´earit´e

Les développements entourant le deuxième thème sont résumés dans un rapport de recherche [rr.3]. Une décision consciente a été prise de redimensionner HB de manière discriminatoire par rapport à DEH afin de mieux observer d'éventuelles différences de forme.

Sous-th`eme 2g – S´election et comparaison de mod`eles

Dans le contexte d'un schéma MCMC, il semble approprié de tenter d'approcher les preuves d'un modèle donné sur la base d'échantillons simulés de la distribution a posteriori p( θ⋆|②,M⋆). Contrairement à d’autres techniques plus spécialisées [Chib 1995, Green1995, Chib et Jeliazkov2001], l’importance principale de l’estimateur de moyenne harmonique réside dans sa simplicité : en effet, il n’utilise que des échantillons a posteriori d’un modèle donné.

Th`eme 3 – Analyse sur la surface corticale

Sous-th`eme 3a – Interpolation du signal IRMf sur la surface

Un exemple d'activité 3D simulée au sein de la matière grise est représenté en rouge sur la figure 1. Cette activité est ensuite interpolée sur la surface corticale selon deux approches, la technique classique de moyenne locale, où les valeurs sont dans une sphère centrée en chaque nœud et de rayon R= 5 mm en moyenne (voir fig. III.15(a)), et celui que nous avons développé (voir fig.

Sous-th`eme 3b – D´etection-estimation conjointe sur la surface

Leurs travaux font actuellement l'objet de développements dans le cadre de la thèse d'Alan Tucholka sous la direction de Bertrand Thirion, pour agir sur les surfaces. Un résultat illustrant les activations dans le cortex pariétal gauche lors d'une tâche de calcul est présenté sur la figure III.16(b).

Th`eme 4 – Reconstruction r´egularis´ee en IRM parall`ele

Rappels sur l’IRM parall`ele

En traits pleins, les lignes tirées de l'espace k, en traits pointillés, les lignes manquantes dans la situation (b). Pour échantillonner régulièrement l'espace k, cette reconstruction est donc assez rapide car elle peut être implémentée par la FFT.

Sous-th`eme 4a – Reconstruction supervis´ee

Enfin, dans le cadre de la thèse de Cécile Rabrait, nous avons testé l'apport de modèles bruts de régularisation, à savoir quadratique, sur les données d'Echo Volumetric Imaging. Selon le type de critères à minimiser, plusieurs algorithmes peuvent être envisagés, mais dès que la pénalité n'est plus quadratique, la solution n'est plus le résultat de la solution d'un système linéaire.

Sous-th`eme 4b – Reconstruction auto-calibr´ee dans l’espace ondelette

La solution dans l'espace image est alors naturellement obtenue en appliquant la transformation inverse à ce dumap estimé. Nous travaillons actuellement à l'amélioration de la modélisation statistique a priori des coefficients détaillés.

Th`eme 5 – IRM fonctionnelle « ultra-rapide »

Sous-th`eme 5a – Caract´erisation statistique des signaux Echo Volumar

Nous avons également évalué l'impact de l'ajustement spatial effectué lors de la reconstruction Sense. Le prix à payer est une légère réduction de la résolution spatiale (au mieux 5×5×6mm3).

Sous-th`eme 5b – Caract´erisation de la dynamique des signaux Echo Volu-

Pour ce faire, nous avons évalué statistiquement la différence entre les courbes HRF évaluées à chaque séance à l'aide des tests présentés dans le sous-thème 1d. Ce thème a fait l'objet à l'automne 2007 d'une présentation thématique sélectionnée pour la campagne de bourses Irtelis.

Th`eme 6 – Analyse exploratoire multifractale des donn´ees d’IRMf

Conclusion et perspectives

IMPACT DE LA MODÉLISATION NON PARAMÉTRIQUE DU SIGNAL GRAS SUR L'ANALYSE DE GROUPE.

Introduction

Analyse intra-sujet classique en IRMf

Mod`ele lin´eaire g´en´eralis´e

Gain en flexibilit´e au sein des MLGs

Analyse intra-sujet non param´etrique en IRMf

Changement de r´esolution spatiale

Chaque parcelle possède donc un exemple dans chacun des sujets d'analyse, comme illustré par un code couleur sur la Fig. Cela semble nécessaire si nous voulons faire une inférence de groupe au niveau de la parcelle, par exemple en faisant la moyenne des effets gras estimés au sein de chaque parcelle.

Mod´elisation « parcellique » du signal BOLD

Il est également important de noter qu’il existe une correspondance biunivoque entre les parcelles des différents sujets, la morcellement étant calculée au niveau du groupe. On néglige ici la corrélation spatiale du bruit, car il est plus important de modéliser celle du signal induit par la stimulation.

Inf´erence bay´esienne

Contrairement à [a.8], nous introduisons des variables qmj spatialement corrélées entre elles en impliquant Pr(qjm = 1) =λm1,j au lieu de Pr(qjm= 1) =λm1 ,∀m. Dans ce qui suit, nous présenterons uniquement la formulation de la loi conditionnelle a posteriori de (❛,q).

Analyses de groupe

Inf´erence param´etrique classique

Populations non-gaussiennes

Cependant, le fait que la distribution d'échantillonnage de f(d) puisse s'écarter de la normalité soulève également la question de la sensibilité, car la statistique de Student peut alors s'avérer sous-optimale de sorte que l'hypothèse de normalité ne soit plus vérifiée. Dans ce qui suit, nous utiliserons la statistique de rang signé de Wilcoxon (RSW), qui s'est avérée fournir un bon compromis de spécificité de sensibilité entre des variantes plus robustes, telles que Sign, et d'autres moins similaires à celles de Student.

Probl`eme de comparaisons multiples

1999, Nichols et Holmes2002, Hayasaka et Nichols2003], ils ont fourni des valeurs p corrigées pour le taux d'erreur de premier type en calibrant la statistique maximale sur le volume de recherche. De la même manière, ils sont capables de rapporter des valeurs p corrigées au niveau du groupe après seuillage de la distribution, obtenue par permutations, de la statistique de l'extension maximale d'un cluster.

Illustrations sur des donn´ees de calibration fonctionnelle

Comparaison des deux analyses intra-sujet

La figure IV.3(c)-[rouge] montre que la dynamique cérébrale estimée hbP sur le graphique associée à l'activation la plus forte s'écarte considérablement de la forme de hc canonique présentée sur la figure. Ce résultat intéressant et reproductible sur d'autres sujets montre bien que la modélisation de la forme de la réponse a une forte influence sur l'amplitude de l'effet estimé, autrement dit que ces deux grandeurs sont interdépendantes.

Analyses ` a effets al´eatoires

La Fig.IV.5 montre les cartes statistiques de l'analyse des effets aléatoires obtenues à l'aide de la statistique WilcoxonTrsw, corrigées pour des comparaisons multiples dans le cadre de tests de permutation. Fig.IV.5 – Résultats d'une analyse d'effets aléatoires basée sur la statistique de rang signé de Wilcoxon.

Conclusion

Probl`emes ouverts en guise de perspectives

• R´egularisation spatiale adaptative
• Choix de la parcellisation : comment la faire ´evoluer ?
• S´election de mod`eles g´en´eratifs
• Analyses ` a effets mixtes

Dans le formalisme DEC, nous considérons que le problème est de trouver une dimension au sein d'une famille imbriquée. 2008] en plus de tenir compte de l'incertitude quant à la localisation spatiale de l'effet audacieux associé aux erreurs de normalisation.

Scaling and multifractal : theory

• Scale invariance (or scaling)
• Multiresolution quantities
• Scaling models : Long range dependence, Self-similarity, Multifractality . 98
• Practical scaling or multifractal analysis
• Wavelet coefficients versus Leaders

Instead of the commonly used continuous wavelet transform coefficients-based approach [Arneodo et coll. The estimation procedures can be directly rewritten using the absolute value of the wavelet coefficients|dX(j, k)|instead of LeadersLX(j,k), yielding mutatis mutandis the estimates ˆζd(q), ˆ.

Data acquisition

Why do we use EVI fMRI datasets ?

Wave LeadersLX(j, k) have been shown to effectively solve these two problems: they accurately measure the entire multifractal spectrum for all MF processes and should therefore be preferred (for details and evidence see [Jaffard 2004, Jaffard et coll. 2006] ). Recently, it has also been found that estimation procedures based on Leader have a much better statistical performance than those based on coefficients [Wendt et coll.

Echo-Volumar Imaging technique

In order to improve signal stability in the reconstructed time series, parallel reconstruction was regularized, as pioneered in [Lin et coll. Tikhonov weighting was applied, with a regularization condition that minimizes the magnitude of the MR signal in the reconstructed volumes, as suggested in [King 2001].

Fig.V.2 – Localized parallel EVI imaging sequence. a): Sketch summarizing the parallel reconstruction strategy based on the 2D SENSE unwarping technique. (b): anatomical localization of zoomed EVI BOLD data. Fig.V.3 – Comparison of brain dynamics seen in EVI and EPI BOLD sequences. (a): voxel-based HRF estimates from the parallel localized EVI sequence. b): corresponding HRF estimates from the EPI series for the same subject.

Results

Scaling and Multifractal : fMRI data analysis

The main result of EMD consists in the fact that the analyzed data can be split into different components. It shows that, for both the visual experiment and the resting state, the departure of the ˆζ(q)s from a linear behavior inq is weak yet clear (or equivalently that the ˆD(h) is narrow but does not collapse on one level). a point).

Region-based hypothesis testing

Also note that tests based on wavelet coefficients would miss many changes in inc1, even though their effect is net, which is clearly seen with tests based on Leader. Again, forc2, the results shown in Figure V.11 are less clear as the significance of the changes varies across ROIs and subjects.

Discussion

Perspectives

In each ROI, the boxplot shows the median of the voxel-dependent WLMF estimatesscbs1 for visual (s=v) and rest (s=r) sessions, respectively. Dans ce m'emoire, you present a certain number of original contributions from family members 'an estimate of the dynamics of the activations.

Perspectives sur la compr´ehension du cerveau sain

Effets h´emodynamiques vs neuronaux

Toutefois, à partir de modèles génératifs, il est possible de combiner ces différentes sources d’information. Enfin, l'utilisation de paradigmes expérimentaux avancés (eg, type suppression des répétitions) permet en partie de mettre en évidence cette différence entre effets vasculaires et effets neuronaux.

Analyse de la variabilit´e intra- et inter-individuelle

Pour ce faire, il est clair que la prise en compte de la variabilité inter-essais reste un point crucial pour l’avenir afin de faire correspondre les deux types d’activités d’un essai à l’autre. De même, compte tenu du nombre de combinaisons possibles dans la sélection d'effets que l'on cherche à modéliser, il me semble opportun de poursuivre l'effort visant à mettre en place des méthodes de comparaison ou de sélection de modèles, notamment dans un cadre bayésien.

Emergence des liens entre activit´e spontan´ee et ´evoqu´ee

Afin d'avancer dans cette direction, nous commençons à développer des méthodes de fusion d'imagerie multimodale (eeg/irm) à la surface du cortex, là où se situent la plupart des activations cérébrales, dans le cadre de la thèse de Thomas Vincent1. Cela implique de comprendre la relation entre l'activité évoquée, mesurable d'une part dans l'eeg et d'autre part dans l'enirmf.

Applications ` a la compr´ehension de certaines pathologies

First, the prior (P0) can easily be introduced into the model by setting the first and last sample points of the HRF to 0, so that only the K ⫺ 1 (rather than K ⫹ 1) parameters of the HRF are now unknown. Starts of stimuli and data are defined in the same network as.

2Extension multi-sessions multi-conditions

3Vision sous l’angle des r´eseaux bay´esiens

4Application en sciences cognitives : compr´ehension du langage

2Extension cerveau entier