Méthodologie pour l’étude des réseaux de connectivité par séparation de sources en IRMf

Methods to study the brain connectivity networks by source separation in fMRI

• Auteur / Autrice : Vincent Perlbarg
• Direction : Habib Benali
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance en 2007
• Etablissement(s) : Paris 11
• Partenaire(s) de recherche : autre partenaire : Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne)

Mots clés

Mots clés contrôlés

Imagerie par résonance magnétique

Mots clés libres

Réseaux cérébraux

Connectivités fonctionnelles

Fluctuations physiologiques

Résumé

La meilleure compréhension du fonctionnement cérébral, dans des conditions normales ou pathologiques, passe par l’étude des interactions fonctionnelles entre régions distantes du cerveau. Dans ce contexte, l’imagerie par résonance magnétique fonctionnelle (IRMf) est une modalité de choix pour mesurer l’activité cérébrale de manière non invasive. Cependant, le signal mesuré, dépendant localement du métabolisme et de l’hémodynamique, est perturbé par des mécanismes de bruit physiologique qui structurent les données dans le temps et dans l’espace. Ces processus sont des sources de confusion importantes lorsqu’il s’agit de mesurer la connectivité fonctionnelle. J’ai développé une méthodologie pour extraire des données d’IRMf les processus fonctionnels d’intérêt en les différenciant des processus de bruit. Les approches proposées se fondent sur la séparation des processus par analyse en composantes indépendantes (ACI) spatiale, qui ne fait aucune hypothèse sur les dynamiques temporelles recherchées. Une première approche (CORSICA), permettant la réduction du bruit structuré, s’appuie sur une méthode originale pour sélectionner les composantes indépendantes associées aux bruits. Une seconde approche (NEDICA) propose d’extraire les processus fonctionnels extraits de manière reproductible sur une population pour un état cognitif donné et de les comparer d’un état à l’autre. Enfin, un modèle de simulation de données d’IRMf réaliste est proposée. Elle prend en compte un certain nombre de processus, fonctionnels et de bruit. La séparation de sources par ACI et l’approche de réduction de bruit que nous proposons ont alors été évaluées à partir de cette simulation

Better understanding brain functions, in normal or pathological conditions, demands to study the functional interactions between distant brain regions. In this context, functional magnetic resonance imaging (fMRI) allows the non-non-invasive measure of cerebral activity. Yet, the measured signal depends on the local metabolism and haemodynamic and is, though, influenced by physiological noise mechanisms which structured the data both in time and in space. These processes are major confounds sources for region-to-region functional connectivity measures. I developed methods to extract functional processes from fMRI data, differentiating them from physiological noise processes. These approaches are based on the sources separation provided by the spatial independent components analysis (sICA), that not assume any temporal dynamic of the underlying effects. A first approach (CORSICA) allows to reduce the structured noise from individual fMRI dataset. It is based on an original method to select independent components related to structured noise processes. I then present a second approach (NEDICA) to, firstly, extract the spatial structures in the data at a group level for a cognitive state and to, secondly, compare these structures for different groups and different cognitive states. Finally, I developed a realistic fMRI simulation including several functional and structured noise processes. The sources separation by sICA and the approach of noise reduction have been evaluated with this simulation.