CEA-DSV Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA P....

CEA-DSVwww.madic.org

Analyser les images fonctionnelles du cerveau

JB Poline

Orsay – Neurospin -CEAwww.madic.org

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


Plan

• Les images d’IRM fonctionnelle : de quoi s’agit-il ?

– L’IRM – L’IRM 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 d’analyse adaptées– Thèmes émergents


Introduction: qu’est ce que l’IRMf ?

Des images « volumes »

Un compromis entre – résolution spatiale (2/3D) de .3 mm à

5mm– Durée d’acquisition (50 ms à 5s). De

100 à 1000 volumes par sujet

Acquises avec un scanner par résonance magnétique (.5T – 9T)

Des images « fonctionnelles »: reflètent l’activité du cerveau

temps


time

Experimental Paradigm

64x64x32x1000 time

IRMf : à quoi sert-elle ?


Neo-phrenology ?


Un nouveau champ inter disciplinaire

MRIPhysic, Bio-physic

ElectronicsElectromagnetic

NeurobiologyNeurosciences (cellular)

Physiology

Cognitive Sciences Cognitive Neurosciences

NeuropsychologyNeurology, Psychiatry

Data analysisModeling

Applied Mathematics

Neuroimagerie


Un domaine à croissance très rapide

Nombre de papiers publiés

Contiennent « fMRI » dans leurs titresSource : pubmed


64x64 Pixels ~ 3 x 3 mm 128x128 Pixels ~ 1.5 x 1.5mm

I. Des distorsions

II. Mauvais rapport signal sur bruit

III. Perte de signal

IV. Progrès rapide des acquisitions …

Données d’IRM fonctionnelle: exemple


1 volume (64x64x30) en 2 sec

V. La taille des données effraye … et elle grandit

T=1T=2

T=30

T=1T=2

T=30

N =200

Ceci pour une session; souvent 3-8 sessions X 15 sujets 6D (~20 Go)

Données d’IRM fonctionnelle: exemple


Les données brutes sont rarement lisibles directement

• Un contre exemple : 10% d’augmentation dans le système visuel

• L’augmentation du signal est de l’ordre de 1%, parfois beaucoup moins

• 40 000 voxels dans les volumes acquis aujourd’hui, beaucoup plus demain


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 l’activité fonctionnelle sur plusieurs sujets


D’où vient le signal mesuré ?

●Agent de contraste :oxyhémoglobine [OO22Hb]:Hb]: diamagnétique●deoxy hémoglobine [HHb]HHb]: paramagnétique

Activité neurale Petite augmentation de la consommation d’02 et large

augmentation du flux sanguin oxygéné

Ratio du sang oxygéné au sang déoxygéné augmente avec l’activité neuronale

Induit une susceptibilité magnétique plus faible et une augmentation du signal IRMf

BOLD= Blood Oxygenation Level Dependent signal (BOLD )


Fonction de réponse hémodynamique

BriefStimulus

Undershoot

Initialdip

PeakDéplétion originale : consommation d’O2

Pic: 4-6s post stimulus; Retour à l’équilibre après 20-30s

différences entre: régions, entre deux états du même sujet et entre sujets,


Modèle de régression

Fonction de réponse hémodynamique

Données ajustées

temp

s = + +12

1x 2x

erre

ur

temps


Comprendre l’hémodynamique cérébrale

Série temporelle BOLD

Réponse hémodynamique Reconstruite (modèle bayésien)

Localisation de l’activité

17

UNAF-SHFJ J.B. Poline

Exemple

Ciuciu et al, 2003

18

UNAF-SHFJ J.B. Poline

Auditif primaire

Aire du traitement phonologique

Ciuciu et al, 2003

26/09/04CEA-SHFJ

MADIC

Pattern temporel non interprétable

Analyse du “bruit” lorsque le “signal” est soustrait (ACP/I, pACI,..) Part II


IRMf : à quoi sert elle ?

Localiser dans dans l’espace et dans le temps les fonctions sensori-motrices et cognitives du

cerveau – Etude d’états “de repos”

time

Experimental Paradigm

64x64x32x1000 time


Comment lire ces images ?

t > 0.5t > 3.5t > 5.5

Seuil haut Seuil moyen Seuil bas

Bonne spécificité

peu de sensibilité(risque de faux

négatifs)

Trois méthodes ...

Faible spécificité

bonne sensibilité(risque de faux

positifs)


5mm 10mm 15mm

Risque d’erreur de 5%, N = 50000; 2500 voxels de trop sur la carte !

Indépendant : a = 1- (1-a)1/N

Complètement dépendant : a = aDépendant : a = ?

N ? - Dépendance ?

Le problème des comparaisons multiples


La solution des champs aléatoires

Autocorrelation Function

FWHM

1- Estimer la rugosité (Cov des derivées spatiales)

2- Seuiller à u

E(u) () ||1/2 (u2 -1) exp(-u2/2) / (2)2

3- Calculer la caractéristique d’Euler qui approxime la probabilité de dépasser u :

Théorie très générale, peut être utilisée pour de nombreux champs (t, F, Z, Chi2, …)


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% 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


Tests de permutation

Threshold 5%

L’idée: – L’expérimentateur connaît

quels scans sont associés à la condition A et lesquels sont à la condition B

– Sous l’hypothèse 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


Trouver un repère spatial commun à plusieurs sujets : les problèmes de variabilité entre

sujets

1. Les méthodes existantes

2. Les nouvelles approches

DSVSHFJ

La normalisation spatiale

=

Les années 70...

2 repères Une boîte englobante Une grille Un atlas papier

Neurochirurgie, Talairach

Les années 90...

Déformations Cerveau modèle moyen Un repère 3D

Traitement automatisé : STANDARD

Crédits JF. Mangin


Translation Rotation Zoom Shear

Cerveau

La normalisation spatiale

Modèle


Variabilité des sillons corticaux

Crédits JF. Mangin


L’anatomie sulco-gyrale est très variable

Riviere et al., 2002, Mangin et al, 2004


Cytoarchitectonie

[P. Roland et K. Zilles]Broadman areas

Couleur définie si

aire définie sur plus de

50% des sujets

• Pas disponible in vivoPas disponible in vivo• Variabilité expérimentaleVariabilité expérimentale• Frontières difficiles à définirFrontières difficiles à définir• Dépendance au traceurDépendance au traceur


Travailler sur la surface du cortex


Surface

3D

Sphère

Fischl et al 99


Surface du cortex visuel applatie(provenance: Michel Dojat et al, Grenoble)


Variabilité fonctionnelle …

Wei et al, NeuroImage 2004, McGonigle et al, …

Entre sujets : très forte Entre sessions : moins forte


Face

sO

bje

cts

Hou

ses

Sce

nes

IN T.

SC

R.

Kanwisher et al, 2003


Gray matter volume reductions of s allele carriers in comparison to l/l

genotype


Des approches pour traiter le problème de la variabilité entre sujets


Les sujets se ressemblent-ils en IRMf ?

123456789101

2

3

4

5

6

7

8

9

10

MDS/NLMDS MAP

Euclidian

Subject x subject

4

7

2

3

568

91

Sujet 2

Sujet 8

Sujet 5

Sujet 4


Axes1 & 2%Var = 60

Mériaux et al, 2003


Détection de sujets déviants


Utilisation de statistiques robustes

Gain de sensibilité à spécificité constante

N N-1

Kherif et al., 2003, Neuroimage, Meriaux et al, Roche et al ISBI 2005, HBM 2006


Tests robustes : comparaison

Sign test

Laplace testt-test

Wilcoxon test

Etude : “Français vs. Anglais” - 12 sujets - Seuil non corrigé (P=10-3)


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


Techniques d’agglomérat

Données Résultat

Nombre de groupes ?

Maintenant, imaginons que les coordonnées x, y

… proviennent de résultats de protocoles

fonctionnels


Regrouper les régions fonctionnelles

6 protocoles pour cartographier le lobe parietal (Simon et al, Neuron 2003)

attention calculus grasping language pointing saccades

Des données encore plus complexes : quelles sont les régions qui font la même chose ?


Regroupement fonctionnel des régions Calculus Saccades graspingAttention

Pointing and grasping

visuo-spatial tasks

Saccades, attention, and pointing

Calculus language

Ag

glo

me

rati

on

“fo

nct

ion

nel

le”

attentioncalculus graspinglanguage pointingsaccades

Simon et al, 2003


Regression parameters

X Y Z Talairach

coordinates

Sujet 1 Sujet 2 Sujet i

Données à grouper

Agglomération spatiale et fonctionnelle

voxels

K

kkk kvpvp

1

);|,()|,(

K

kkk kvpvp

1

);|,()|,( Flandin et al, 2003


Parcellisation entre sujets

Modèle De groupe

Les parcelles ont des réponses similaires entre conditions:

Profil fonctionnel .

Les parcelles ont des positions similaires dans l’espace de Talairach suivant une transformation régulière

Thirion et al, 2005


audio-video contrast1000 parcels

Parcel + RFX Smoothing 5mm+ RFX

Smoothing 13mm+ RFX

Corrected P-value

0.05 10-6

Gain en sensibilité de détection


Pas de correction CM

Correction pour CM

Dans Talairach inter.: max = 25/31


Conclusion et autres directions

Comprendre les interactions cérébrales

Classification et aide au diagnostique

Base de données et aspect de neuro-informatique


IRMf et la classification de sujets: Principes

Espace des activations fonctionnelles

Etant donné des catégories, apprendre les caractéristiques des catégories dans l’espace fonctionnel

Group 1Group 2

Apprendre : Trouver le meilleur sous espace qui discrimine les données entre les deux groupes

?

Validation croisée


Sélection des signatures

1 line = 1 brain

1column = 1 voxeOr 1 parcel

IBM – Neuropsin -04 Nov 2005 Life Science Div.

UNAF- JB POLINE

F p 1F p 2F 3F 4C 3C 4P 3P 4O 1O 2F 7F 8T7T8P 7P 8I zC zP zF C 1F C 2C P 1C P 2F C 5F C 6C P 5C P 6TP 9TP 1 0E o gE k g 1E k g 2F p zO zR EF T9F T1 0P O 9P O 1 0C 1C 2P O 1P O 2A F 1A F 2F 5F 6F T7F T8F C 3F C 4C 5C 6TP 7TP 8C P 3C P 4P 5P 6O l 1O l 2F C zC P zP O z Scan Start Scan Start50 µ V

Petit à petit, construire des modèles de fonctionnement ?

Réseau avec une connexion plus

forte dans «phrase vs mot »

connectivité EEG BOLD IRMf connectivité

IBM – Neuropsin -04 Nov 2005 Life Science Div.

UNAF- JB POLINE

Clinicians MethodologistsPhysicists Neuroscience

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

CEA-DSV Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA P....

Documents

Transcript of CEA-DSV Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA P....