cea-dsv analyser les images fonctionnelles du cerveau jb poline orsay – neurospin -cea p....
TRANSCRIPT
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
time
Experimental Paradigm
64x64x32x1000 time
IRMf : à quoi sert-elle ?
CEA-DSVwww.madic.org
Neo-phrenology ?
CEA-DSVwww.madic.org
Un nouveau champ inter disciplinaire
MRIPhysic, Bio-physic
ElectronicsElectromagnetic
NeurobiologyNeurosciences (cellular)
Physiology
Cognitive Sciences Cognitive Neurosciences
NeuropsychologyNeurology, Psychiatry
Data analysisModeling
Applied Mathematics
Neuroimagerie
CEA-DSVwww.madic.org
Un domaine à croissance très rapide
Nombre de papiers publiés
Contiennent « fMRI » dans leurs titresSource : pubmed
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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 )
CEA-DSVwww.madic.org
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,
CEA-DSVwww.madic.org
Modèle de régression
Fonction de réponse hémodynamique
Données ajustées
temp
s = + +12
1x 2x
erre
ur
temps
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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)
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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, …)
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
Translation Rotation Zoom Shear
Cerveau
La normalisation spatiale
Modèle
CEA-DSVwww.madic.org
Variabilité des sillons corticaux
Crédits JF. Mangin
CEA-DSVwww.madic.org
L’anatomie sulco-gyrale est très variable
Riviere et al., 2002, Mangin et al, 2004
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
Travailler sur la surface du cortex
CEA-DSVwww.madic.org
Surface
3D
Sphère
Fischl et al 99
CEA-DSVwww.madic.org
Surface du cortex visuel applatie(provenance: Michel Dojat et al, Grenoble)
CEA-DSVwww.madic.org
Variabilité fonctionnelle …
Wei et al, NeuroImage 2004, McGonigle et al, …
Entre sujets : très forte Entre sessions : moins forte
CEA-DSVwww.madic.org
Face
sO
bje
cts
Hou
ses
Sce
nes
IN T.
SC
R.
Kanwisher et al, 2003
CEA-DSVwww.madic.org
Gray matter volume reductions of s allele carriers in comparison to l/l
genotype
CEA-DSVwww.madic.org
Des approches pour traiter le problème de la variabilité entre sujets
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
Axes1 & 2%Var = 60
Mériaux et al, 2003
CEA-DSVwww.madic.org
Détection de sujets déviants
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
Tests robustes : comparaison
Sign test
Laplace testt-test
Wilcoxon test
Etude : “Français vs. Anglais” - 12 sujets - Seuil non corrigé (P=10-3)
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
Techniques d’agglomérat
Données Résultat
Nombre de groupes ?
Maintenant, imaginons que les coordonnées x, y
… proviennent de résultats de protocoles
fonctionnels
CEA-DSVwww.madic.org
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 ?
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
audio-video contrast1000 parcels
Parcel + RFX Smoothing 5mm+ RFX
Smoothing 13mm+ RFX
Corrected P-value
0.05 10-6
Gain en sensibilité de détection
CEA-DSVwww.madic.org
Pas de correction CM
Correction pour CM
Dans Talairach inter.: max = 25/31
CEA-DSVwww.madic.org
Conclusion et autres directions
Comprendre les interactions cérébrales
Classification et aide au diagnostique
Base de données et aspect de neuro-informatique
CEA-DSVwww.madic.org
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
CEA-DSVwww.madic.org
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