La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

CEA-DSV www.madic.org Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA www.madic.org P. Ciuciu, S. Donnet, S. Dehaene, E.

Présentations similaires


Présentation au sujet: "CEA-DSV www.madic.org Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA www.madic.org P. Ciuciu, S. Donnet, S. Dehaene, E."— Transcription de la présentation:

1 CEA-DSV Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA P. Ciuciu, S. Donnet, S. Dehaene, E. Duschenay, V. Elkouby, G.Flandin, F.Kherif, PJ. Lahaye, M. Lavielle, S. Makni, JF. Mangin, S.Meriaux, P. Pinel, D. Riviere, A.Roche, B.Thirion, B.Thyreau

2 CEA-DSV Plan Les images dIRM fonctionnelle : de quoi sagit-il ? –LIRM – LIRM fonctionnelle – A quoi servent elles ? –Neurosciences, neuroscience cognitive, neurologie et psychiatrie; Comment analyser ces images ? –Question de détection et de localisation –Quelques exemples Les questions émergentes, les problèmes posés aux statisticiens –La variabilité des sujets (analyse de groupe) –Des stratégies danalyse adaptées –Thèmes émergents

3 CEA-DSV Introduction: quest ce que lIRMf ? Des images « volumes » Un compromis entre –résolution spatiale (2/3D) de.3 mm à 5mm –Durée dacquisition (50 ms à 5s). De 100 à 1000 volumes par sujet Acquises avec un scanner par résonance magnétique (.5T – 9T) Des images « fonctionnelles »: reflètent lactivité du cerveau temps

4 CEA-DSV time Experimental Paradigm 64x64x32x1000 time IRMf : à quoi sert-elle ?

5 CEA-DSV Neo-phrenology ?

6 CEA-DSV Un nouveau champ inter disciplinaire MRI Physic, Bio-physic Electronics Electromagnetic Neurobiology Neurosciences (cellular) Physiology Cognitive Sciences Cognitive Neurosciences Neuropsychology Neurology, Psychiatry Data analysis Modeling Applied Mathematics Neuroimagerie

7 CEA-DSV Un domaine à croissance très rapide Nombre de papiers publiés Contiennent « fMRI » dans leurs titres Source : pubmed

8 CEA-DSV 64x64 Pixels ~ 3 x 3 mm 128x128Pixels ~ 1.5 x 1.5mm I. Des distorsions II. Mauvais rapport signal sur bruit III. Perte de signal IV. Progrès rapide des acquisitions … Données dIRM fonctionnelle: exemple

9 CEA-DSV 1 volume (64x64x30) en 2 sec V. La taille des données effraye … et elle grandit T=1 T=2 T=30 T=1 T=2 T=30 N =200 Ceci pour une session; souvent 3-8 sessions X 15 sujets 6D (~20 Go) Données dIRM fonctionnelle: exemple

10 CEA-DSV Les données brutes sont rarement lisibles directement Un contre exemple : 10% daugmentation dans le système visuel Laugmentation du signal est de lordre de 1%, parfois beaucoup moins voxels dans les volumes acquis aujourdhui, beaucoup plus demain

11 CEA-DSV Analyse standard des données Problèmes à résoudre : 1) Comment estimer la réponse au stimulus de chaque sujet pour chaque région cérébrale? 2) Appliquer un seuil 3) Trouver un repère spatial commun pour co- localiser lactivité fonctionnelle sur plusieurs sujets

12 CEA-DSV Doù vient le signal mesuré ? O 2 Hb]: Agent de contraste :oxyhémoglobine [O 2 Hb]: diamagnétique HHb] deoxy hémoglobine [HHb]: paramagnétique Activité neurale Petite augmentation de la consommation d0 2 et large augmentation du flux sanguin oxygéné Ratio du sang oxygéné au sang déoxygéné augmente avec lactivité neuronale Induit une susceptibilité magnétique plus faible et une augmentation du signal IRMf BOLD= Blood Oxygenation Level Dependent signal (BOLD )

13 CEA-DSV De lactivité neurale à la réponse BOLD CMRGlc Neuronal activity Local ATP consumption CMRO 2 Local energetic metabolism CBV CBF La réponse BOLD est un mélange complexe de ces trois paramètres

14 CEA-DSV Fonction de réponse hémodynamique Brief Stimulus Undershoot Initial dip Peak Déplétion originale : consommation dO2 Pic: 4-6s post stimulus; Retour à léquilibre après s différences entre: régions, entre deux états du même sujet et entre sujets,

15 CEA-DSV Modèle de régression Fonction de réponse hémodynamique Données ajustées temps =+ + erreur temps

16 CEA-DSV Comprendre lhémodynamique cérébrale Série temporelle BOLD Réponse hémodynamique Reconstruite (modèle bayésien) Localisation de lactivité

17 UNAF-SHFJ J.B. Poline 17 Exemple Ciuciu et al, 2003

18 UNAF-SHFJ J.B. Poline 18 Auditif primaire Aire du traitement phonologique Ciuciu et al, 2003

19 26/09/04CEA-SHFJ MADIC Pattern temporel non interprétable Analyse du bruit lorsque le signal est soustrait (ACP/I, pACI,..) Part II

20 CEA-DSV IRMf : à quoi sert elle ? Localiser dans dans lespace et dans le temps les fonctions sensori-motrices et cognitives du cerveau – Etude détats de repos time Experimental Paradigm 64x64x32x1000 time

21 CEA-DSV Comment lire ces images ? t > 0.5 t > 3.5t > 5.5 Seuil hautSeuil moyenSeuil bas Bonne spécificité peu de sensibilité (risque de faux négatifs) Trois méthodes... Faible spécificité bonne sensibilité (risque de faux positifs)

22 CEA-DSV 5mm10mm15mm Risque derreur de 5%, N = 50000; 2500 voxels de trop sur la carte ! Indépendant : a = 1- (1-a) 1/N Complètement dépendant : a = a Dépendant : a = ? N ? - Dépendance ? Le problème des comparaisons multiples

23 CEA-DSV La solution des champs aléatoires Autocorrelation Function FWHM 1- Estimer la rugosité (Cov des derivées spatiales) 2- Seuiller à u E(u) ( ) | | 1/2 (u 2 -1) exp(-u 2 /2) / (2 ) 2 3- Calculer la caractéristique dEuler qui approxime la probabilité de dépasser u : Théorie très générale, peut être utilisée pour de nombreux champs (t, F, Z, Chi2, …)

24 CEA-DSV Niveau dinférence, spécificité régionale

25 CEA-DSV Taux de fausse détection p(i) i/V q p(i)p(i) i/Vi/V i/V q p-value Idée: Contrôler le taux de faux positifs comme une proportion des voxels reportés (JRSS, 95; Genovese 02) La méthode:

26 CEA-DSV FWE 6.7% 10.4%14.9%9.3%16.2%13.8%14.0% 10.5%12.2%8.7% Control of Familywise Error Rate at 10% 11.3% 12.5%10.8%11.5%10.0%10.7%11.2%10.2%9.5% Control of Per Comparison Rate at 10% Control of False Discovery Rate at 10% Crédit : T. Nichols Taux de fausse détection

27 CEA-DSV Tests de permutation Threshold 5% Lidée: –Lexpérimentateur connaît quels scans sont associés à la condition A et lesquels sont à la condition B –Sous lhypothèse nulle, même résultats si A et B sont labellisés aléatoirement La méthode: –Construire la distribution de la statistique avec tirage aléatoire de A et de B …Mais faut-il vraiment seuiller ? Application dépendant

28 CEA-DSV Trouver un repère spatial commun à plusieurs sujets : les problèmes de variabilité entre sujets 1.Les méthodes existantes 2.Les nouvelles approches

29 DSV SHFJ La normalisation spatiale = Les années repères Une boîte englobanteUne grilleUn atlas papier Neurochirurgie, Talairach Les années DéformationsCerveau modèle moyenUn repère 3D Traitement automatisé : STANDARD Crédits JF. Mangin

30 CEA-DSV Translation RotationZoom Shear Cerveau La normalisation spatiale Modèle

31 CEA-DSV Variabilité des sillons corticaux Crédits JF. Mangin

32 CEA-DSV Lanatomie sulco-gyrale est très variable Riviere et al., 2002, Mangin et al, 2004

33 CEA-DSV Cytoarchitectonie [P. Roland et K. Zilles] Broadman areas Couleur définie si aire définie sur plus de 50% des sujets Pas disponible in vivo Pas disponible in vivo Variabilité expérimentale Variabilité expérimentale Frontières difficiles à définir Frontières difficiles à définir Dépendance au traceur Dépendance au traceur

34 CEA-DSV Travailler sur la surface du cortex

35 CEA-DSV Surface 3D Sphère Fischl et al 99

36 CEA-DSV Surface du cortex visuel applatie (provenance: Michel Dojat et al, Grenoble)

37 CEA-DSV Variabilité fonctionnelle … Wei et al, NeuroImage 2004, McGonigle et al, … Entre sujets : très forteEntre sessions : moins forte

38 CEA-DSV Scanning 9 times the same 8 subjects Wei et al, NeuroImage 2004 Very good reproducibility for independent measurements ?

39 CEA-DSV FacesObjectsHousesScenes IN T. SC R. Kanwisher et al, 2003

40 CEA-DSV Gray matter volume reductions of s allele carriers in comparison to l/l genotype

41 CEA-DSV Des approches pour traiter le problème de la variabilité entre sujets

42 CEA-DSV Les sujets se ressemblent-ils en IRMf ? MDS/NLMDS MAP Euclidian Subject x subject Sujet 2 Sujet 8 Sujet 5 Sujet 4

43 CEA-DSV Axes 1 & 2 % Var = 60 Mériaux et al, 2003

44 CEA-DSV Détection de sujets déviants

45 CEA-DSV Utilisation de statistiques robustes Gain de sensibilité à spécificité constante NN-1 Kherif et al., 2003, Neuroimage, Meriaux et al, Roche et al ISBI 2005, HBM 2006

46 CEA-DSV Tests robustes : comparaison Sign test Laplace testt-test Wilcoxon test Etude : Français vs. Anglais - 12 sujets - Seuil non corrigé (P=10 -3 )

47 CEA-DSV Sign test Laplace testt-test Wilcoxon test Two subjects removed Etude : Français vs. Anglais - 12 sujets - Seuil non corrigé (P=10 -3 ) Tests robustes : comparaison

48 CEA-DSV Techniques dagglomérat Données Résultat Nombre de groupes ? Maintenant, imaginons que les coordonnées x, y … proviennent de résultats de protocoles fonctionnels

49 CEA-DSV Regrouper les régions fonctionnelles 6 protocoles pour cartographier le lobe parietal (Simon et al, Neuron 2003) attentioncalculusgraspinglanguage pointingsaccades Des données encore plus complexes : quelles sont les régions qui font la même chose ?

50 CEA-DSV Regroupement fonctionnel des régions CalculusSaccades graspingAttention Pointing and grasping visuo-spatial tasks Saccades, attention, and pointing Calculus language Agglomeration fonctionnelle attentioncalculus grasping language pointing saccades Simon et al, 2003

51 CEA-DSV Regression parameters X Y Z Talairach coordinates Sujet 1Sujet 2Sujet i Données à grouper Agglomération spatiale et fonctionnelle voxels Flandin et al, 2003

52 CEA-DSV Parcellisation entre sujets Modèle De groupe Les parcelles ont des réponses similaires entre conditions: Profil fonctionnel. Les parcelles ont des positions similaires dans lespace de Talairach suivant une transformation régulière Thirion et al, 2005

53 CEA-DSV audio-video contrast 1000 parcels Parcel + RFX Smoothing 5mm + RFX Smoothing 13mm + RFX Corrected P-value Gain en sensibilité de détection

54 CEA-DSV Pas de correction CM Correction pour CM Dans Talairach inter.: max = 25/31

55 CEA-DSV Conclusion et autres directions Comprendre les interactions cérébrales Classification et aide au diagnostique Base de données et aspect de neuro-informatique

56 CEA-DSV IRMf et la classification de sujets: Principes Espace des activations fonctionnelles Etant donné des catégories, apprendre les caractéristiques des catégories dans lespace fonctionnel Group 1 Group 2 Apprendre : Trouver le meilleur sous espace qui discrimine les données entre les deux groupes ? Validation croisée

57 CEA-DSV Sélection des signatures 1 line = 1 brain 1column = 1 voxe Or 1 parcel

58 IBM – Neuropsin -04 Nov 2005 Life Science Div. UNAF- JB POLINE Petit à petit, construire des modèles de fonctionnement ? Réseau avec une connexion plus forte dans «phrase vs mot » connectivité EEG BOLD IRMf connectivité

59 IBM – Neuropsin -04 Nov 2005 Life Science Div. UNAF- JB POLINE CliniciansMethodologistsPhysicistsNeuroscience Scanners Servers Software workstations BrainVISA Anatomical MRI EEG / MEG Diffusion MRI Functional MRI Nuclear imaging Spectroscopy Sequences developpement Exams prescription Data organization Interactive visualization Processing control Conclusion : un défi en informatique aussi


Télécharger ppt "CEA-DSV www.madic.org Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA www.madic.org P. Ciuciu, S. Donnet, S. Dehaene, E."

Présentations similaires


Annonces Google