Modélisation causale dynamique dans l'inférence de changements en connectivité cérébrale

Dynamic causal modelling to infer changes in brain connectivity

• Auteur / Autrice : Wentao Xiang
• Direction : Régine Le Bouquin Jeannès
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, vision
• Date : Soutenance le 25/01/2019
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : ComuE : Université Bretagne Loire (2016-2019)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement du Signal et de l'Image (1969-.... ; Rennes)

Mots clés

Mots clés contrôlés

Cerveau

Traitement du signal -- Techniques numériques

Épilepsie

Mots clés libres

Connectivité cérébrale

Épilepsie

Modélisation causale dynamique

Algorithme d'estimation-Maximisation

Modèle physiologique

Effective connectivity

Epilepsy

Dynamic causal modelling

Estimation-Maximization algorithm

Physiology-Based model

Résumé

Nos travaux portent sur la connectivité cérébrale entre des populations neuronales distantes impliquées dans les crises d'épilepsie, et ce à partir de la modélisation causale dynamique (DCM : dynamic causal modelling) dans sa version spectrale. Celle-ci est basée sur deux instances, (i) le modèle neuronal pour interpréter les signaux observés et leurs densités spectrales de puissance, (ii) l'inversion du modèle basée sur l'algorithme d'estimation-maximisation (EM) variationnel pour identifier les paramètres du modèle. L'approche DCM s'avérant sensible à l'initialisation des paramètres, une mauvaise estimation peut s'ensuivre. Pour y pallier, nous proposons deux variantes de l'algorithme DCM spectral, l'algorithme L-DCM basé sur un ajustement local de l'estimation à chaque initialisation et l'algorithme D-DCM basé sur un schéma de type recuit-simulé. Les trois approches sont évaluées à l'aide de deux types de modèle, un modèle basé sur la physiologie (PBM) et un modèle plus affiné en termes de liaisons entre sous-populations neuronales (cPBM), et sont comparées sur des signaux simulés et des signaux stéréoélectroencéphalographiques réels. Nos résultats prouvent non seulement l'efficacité des nouvelles approches mais confirment également l’avantage du cPBM par rapport au PBM en termes de complexité de calcul et de précision d'estimation. Dans un dernier temps, nous nous focalisons sur la lenteur de l'algorithme EM variationnel liée à la méthode de Gauss-Newton employée. Une technique de recherche linéaire optimale (ELS : exact line search) est proposée, consistant à calculer, à chaque itération de l’algorithme itératif, le pas optimal à réaliser dans la direction de plus grande pente. La faisabilité de cette approche est envisagée dans le contexte de mélanges de gaussiennes. Les résultats obtenus sur signaux simulés et réels attestent l'efficacité du schéma proposé lorsqu'il est appliqué à l'algorithme EM conventionnel, mais aussi à d'autres techniques comme l'algorithme du gradient conjugué. Ces résultats préliminaires sont une perspective pour une future extension de l'approche DCM.

Our work mainly focuses on inferring effective connectivity in distant neural populations involved in epileptic seizures using a model-based technique, the spectral dynamic causal modelling (DCM). A neural mass model (NMM) is used to describe the observed epileptic intracerebral signals and their power spectral densities. DCM includes mainly two steps (i) model inversion based on the maximization of the free energy concept using the variational estimation-maximization (EM) algorithm to identify the parameters of the model and (ii) model comparison where the best model structure in terms of the maximized free energy is identified among other possible structures as the one underlying the observed data. As spectral DCM reveals some sensitivity to the initialization during the variational EM process, a misestimation of the model structure may arise. To cope with this issue, we propose two variants of spectral DCM, the L-DCM and the D-DCM algorithms. While L-DCM is based on a local adjustment of the initial guess, D-DCM relies on a deterministic annealing scheme. The performance of the proposed strategies in terms of effective connectivity inference is assessed using simulated and real human epileptic SEEG (stereoelectroencephalographic) signals. Regarding simulated and real signals, two kinds of NMM are investigated, the physiology-based model (PBM) and the complete physiology-based model (cPBM). Our experiments show the efficiency of the proposed approaches compared to the standard spectral DCM using either PBM or cPBM. The reported results also confirm that cPBM offers lower computational complexity and better estimation quality of the model parameters compared to PBM. Besides, in order to cope with the complexity of spectral DCM which is essentially related to the Gauss-Newton method used in the variational EM algorithm, a simpler ascent gradient method based on an exact line search (ELS) scheme can be employed. It allows for an optimal computation of the gradient step size to be used at each iteration towards the final solution in the given search direction. The feasibility of the ELS scheme in a probabilistic framework is not straightforward and, in this work, the ELS scheme is considered in the context of Gaussian mixture models (GMM) to accelerate the standard EM algorithm. Numerical results using both simulated and real datasets show the efficiency of the proposed ELS scheme when applied to the standard EM algorithm as well as to anti-annealing-based acceleration techniques derived from either the EM algorithm or the expectation conjugate gradient one. The ELS feasibility being proved, its applicability on spectral DCM will be an extension of the present work.