Analyser les images fonctionnelles du cerveau JB Poline
Analyser les images fonctionnelles du cerveau JB Poline Orsay – Neurospin -CEA www. 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 www. madic. org CEA-DSV
Plan • Les images d’IRM fonctionnelle : de quoi s’agit-il ? – 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 www. madic. org CEA-DSV
Introduction: qu’est ce que l’IRMf ? Des images « volumes » Un compromis entre – – résolution spatiale (2/3 D) de. 3 mm à 5 mm Durée d’acquisition (50 ms à 5 s). De 100 à 1000 volumes par sujet Acquises avec un scanner par résonance magnétique (. 5 T – 9 T) Des images « fonctionnelles » : reflètent l’activité du cerveau temps www. madic. org CEA-DSV
IRMf : à quoi sert-elle ? Experimental Paradigm time 64 x 32 x 1000 www. madic. org time CEA-DSV
Neo-phrenology ? www. madic. org CEA-DSV
Un nouveau champ inter disciplinaire Neurobiology Neurosciences (cellular) Physiology MRI Physic, Bio-physic Electronics Electromagnetic Neuroimagerie Data analysis Modeling Applied Mathematics www. madic. org Cognitive Sciences Cognitive Neurosciences Neuropsychology Neurology, Psychiatry CEA-DSV
Un domaine à croissance très rapide Nombre de papiers publiés Contiennent « f. MRI » dans leurs titres Source : pubmed www. madic. org CEA-DSV
Données d’IRM fonctionnelle: exemple 64 x 64 Pixels ~ 3 x 3 mm 128 x 128 Pixels ~ 1. 5 x 1. 5 mm I. Des distorsions II. Mauvais rapport signal sur bruit III. Perte de signal IV. Progrès rapide des acquisitions … www. madic. org CEA-DSV
Données d’IRM fonctionnelle: exemple V. La taille des données effraye … et elle grandit T=1 T=2 T=30 1 volume (64 x 30) en 2 sec N =200 Ceci pour une session; souvent 3 -8 sessions X 15 sujets 6 D (~20 Go) www. madic. org CEA-DSV
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 www. madic. org 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 colocaliser l’activité fonctionnelle sur plusieurs sujets www. madic. org CEA-DSV
D’où vient le signal mesuré ? BOLD= Blood Oxygenation Level Dependent signal (BOLD ) Agent de contraste : oxyhémoglobine [O 2 Hb]: diamagnétique ●deoxy hémoglobine [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 www. madic. org CEA-DSV
Fonction de réponse hémodynamique Déplétion originale : consommation d’O 2 Pic: 4 -6 s post stimulus; Retour à l’équilibre après 2030 s différences entre: régions, entre deux états du même sujet et entre sujets, www. madic. org Peak Brief Stimulus Undershoot Initial dip CEA-DSV
Modèle de régression + + erreur temps = ps m te Fonction de réponse hémodynamique www. madic. org Données ajustées CEA-DSV
Comprendre l’hémodynamique cérébrale Localisation de l’activité Réponse hémodynamique Reconstruite (modèle bayésien) Série temporelle BOLD www. madic. org CEA-DSV
17 Exemple UNAF-SHFJ J. B. Poline Ciuciu et al, 2003
18 Auditif primaire Aire du traitement phonologique UNAF-SHFJ J. B. Poline Ciuciu et al, 2003
Part II Analyse du “bruit” lorsque le “signal” est soustrait (ACP/I, p. ACI, . . ) Pattern temporel non interprétable CEA-SHFJ MADIC 26/09/04
IRMf : à quoi sert elle ? Experimental Paradigm time 64 x 32 x 1000 time Localiser dans l’espace et dans le temps les fonctions sensori-motrices et cognitives du cerveau – Etude d’états “de repos” www. madic. org CEA-DSV
Comment lire ces images ? Seuil haut t > 5. 5 Seuil moyen Seuil bas t > 0. 5 t > 3. 5 Bonne spécificité Faible spécificité peu de sensibilité (risque de faux négatifs) bonne sensibilité (risque de faux positifs) Trois méthodes. . . www. madic. org CEA-DSV
Le problème des comparaisons multiples Risque d’erreur de 5%, N = 50000; 2500 voxels de trop sur la carte ! N ? - Dépendance ? 5 mm www. madic. org 10 mm Indépendant Complètement dépendant Dépendant : a = 1 - (1 -a)1/N : a = a : a = ? 15 mm CEA-DSV
La solution des champs aléatoires FWHM 1 - Estimer la rugosité (Cov des derivées spatiales) Autocorrelation Function 2 - Seuiller à u 3 - Calculer la caractéristique d’Euler qui approxime la probabilité de dépasser u : E(u) ( ) | |1/2 (u 2 -1) exp(-u 2/2) / (2 )2 Théorie très générale, peut être utilisée pour de nombreux champs (t, F, Z, Chi 2, …) www. madic. org CEA-DSV
Taux de fausse détection Control of Per Comparison Rate at 10% 11. 3% 12. 5% 10. 8% 11. 5% 10. 0% 10. 7% 11. 2% 10. 2% 9. 5% Control of Familywise Error Rate at 10% FWE Control of False Discovery Rate at 10% 6. 7% www. madic. org 10. 4% 14. 9% 9. 3% 16. 2% 13. 8% 14. 0% 10. 5% 12. 2% Crédit : T. Nichols 8. 7% CEA-DSV
Tests de permutation 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 Threshold 5% …Mais faut-il vraiment seuiller ? Application dépendant www. madic. org CEA-DSV
Trouver un repère spatial commun à plusieurs sujets : les problèmes de variabilité entre sujets 1. Les méthodes existantes 2. Les nouvelles approches www. madic. org CEA-DSV
La normalisation spatiale 2 repères Une boîte englobante Une grille Les années 70. . . Déformations Un atlas papier Neurochirurgie, Talairach Cerveau modèle moyen Un repère 3 D = Les années 90. . . Traitement automatisé : STANDARD Crédits JF. Mangin SHFJ DSV
La normalisation spatiale Translation Rotation Zoom Shear Cerveau www. madic. org Modèle CEA-DSV
Variabilité des sillons corticaux Crédits JF. Mangin www. madic. org CEA-DSV
L’anatomie sulco-gyrale est très variable www. madic. org Riviere et al. , 2002, Mangin et al, 2004 CEA-DSV
Cytoarchitectonie • Pas disponible in vivo • Variabilité expérimentale • Frontières difficiles à définir • Dépendance au traceur Couleur définie si aire définie sur plus de 50% des sujets www. madic. org Broadman areas [P. Roland et K. Zilles] CEA-DSV
Travailler sur la surface du cortex www. madic. org CEA-DSV
Surface 3 D Fischl et al 99 Sphère www. madic. org CEA-DSV
Surface du cortex visuel applatie (provenance: Michel Dojat et al, Grenoble) www. madic. org CEA-DSV
Variabilité fonctionnelle … Entre sujets : très forte Entre sessions : moins forte Wei et al, Neuro. Image 2004, Mc. Gonigle et al, … www. madic. org CEA-DSV
Scenes Houses Objects SC R. IN T. Faces Kanwisher et al, 2003 www. madic. org CEA-DSV
Gray matter volume reductions of s allele carriers in comparison to l/l genotype www. madic. org CEA-DSV
Des approches pour traiter le problème de la variabilité entre sujets www. madic. org CEA-DSV
Les sujets se ressemblent-ils en IRMf ? Sujet 2 7 Sujet 8 MDS/NLMDS 8 65 2 MAP 9 Euclidian 4 1 3 Subject x subject Sujet 5 Sujet 4 www. madic. org CEA-DSV
Axes 1 & 2 %Var = 60 Mériaux et al, 2003 www. madic. org CEA-DSV
Détection de sujets déviants www. madic. org CEA-DSV
Utilisation de statistiques robustes Kherif et al. , 2003, Neuroimage, Meriaux et al, Roche et al ISBI 2005, HBM 2006 Gain de sensibilité à spécificité constante N www. madic. org N-1 CEA-DSV
Tests robustes : comparaison Etude : “Français vs. Anglais” - 12 sujets - Seuil non corrigé (P=10 -3) t-test Wilcoxon test www. madic. org Laplace test Sign test CEA-DSV
Tests robustes : comparaison Etude : “Français vs. Anglais” - 12 sujets - Seuil non corrigé (P=10 -3) Two subjects removed t-test Wilcoxon test www. madic. org Laplace test Sign test CEA-DSV
Techniques d’agglomérat Données Résultat Nombre de groupes ? Maintenant, imaginons que les coordonnées x, y … proviennent de résultats de protocoles fonctionnels www. madic. org CEA-DSV
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 ? www. madic. org CEA-DSV
Regroupement fonctionnel des régions Agglomeration “fonctionnelle” Calculus language Saccades Attention grasping Pointing and Saccades, attention, visuo-spatial tasks grasping and pointing Simon et al, 2003 calculus www. madic. org language saccades attention pointing grasping CEA-DSV
Agglomération spatiale et fonctionnelle Sujet 1 Sujet 2 Sujet i voxels Regression parameters X Y Z Talairach coordinates Données à grouper Flandin et al, 2003 www. madic. org CEA-DSV
Parcellisation entre sujets Modèle De groupe Les parcelles ont des réponses Les parcelles ont des positions similaires entre conditions: similaires dans l’espace de Talairach Profil fonctionnel. suivant une transformation régulière www. madic. org Thirion et al, 2005 CEA-DSV
Gain en sensibilité de détection Parcel + RFX audio-video contrast 1000 parcels www. madic. org Smoothing 5 mm + RFX Corrected P-value Smoothing 13 mm + RFX 0. 05 10 -6 CEA-DSV
Pas de correction CM Dans Talairach inter. : max = 25/31 Correction pour CM www. madic. org CEA-DSV
Conclusion et autres directions Comprendre les interactions cérébrales Classification et aide au diagnostique Base de données et aspect de neuro-informatique www. madic. org CEA-DSV
IRMf et la classification de sujets: Principes Group 1 Group 2 Etant donné des catégories, apprendre les caractéristiques des catégories dans l’espace fonctionnel Apprendre : Trouver le meilleur sous espace qui discrimine les données entre les deux groupes Validation croisée ? www. madic. org Espace des activations fonctionnelles CEA-DSV
Sélection des signatures 1 line = 1 brain 1 column = 1 voxe Or 1 parcel www. madic. org CEA-DSV
Petit à petit, construire des modèles de fonctionnement ? Réseau avec une connexion plus forte dans «phrase vs mot » connectivité EEG IBM – Neuropsin -04 Nov 2005 BOLD IRMf connectivité UNAF- JB POLINE Life Science Div.
Conclusion : un défi en informatique aussi Physicists Clinicians Methodologists Neuroscience workstations Brain. VISA Data organization Anatomical MRI Processing control Functional MRI Diffusion MRI Interactive visualization Spectroscopy Sequences developpement Exams prescription Scanners IBM – Neuropsin -04 Nov 2005 EEG / MEG Nuclear imaging Servers UNAF- JB POLINE Software Life Science Div.
- Slides: 55