Estimation de la HRF par zones

6.2 Extensions possibles

6.2.2 Estimation de la HRF par zones

Al'aidedelogiielsdeparellisation,onpeutdélimiterdeszonesd'intérêt

dans le erveau qui sont anatomiquement ou fontionnellement homogènes.

Par exemple,dans le adre d'une expériene sur lavision humaine, on peut

délimiter les diérentes aires visuelles V1, V2, et. L'idée est d'estimer une

HRFdans haune de es régions,etnon plus uneHRFglobale pour tout le

erveau.

Plus préisément, on herhe à estimer

h = (h 1 , . . . , h k )

^(où

k

^est ^le

nombre de régions, et

h _r

^la ^HRF ^de ^la ^région

r

⁾^; ^on ^ontraint ^les ^HRF ^de

deux régions voisines à être prohes en rajoutant un hamp de Markov

auto-gaussien ommeloi a priori sur

h

p(h) ∝ exp



 − β 3

X k r=1

X

s∈N (r)

|| h r − h s || ²





L'équation(7)est alors remplaée par

y _i = X M m=1

a _im (X _m h _r(i) ) + n _i 1 + ǫ _i , i = 1, . . . , J

où

r(i)

^désigne^la ^région^à ^laquelle ^appartient^le ^voxel

i

On peut enoreaméliorere modèle,en onsidérantqu'un voxel n'est

ja-mais exatement dansune région ouune autre, maisque ladélimitation des

zones nousapporte une onnaissaneoue,exprimablesous formede

proba-bilités d'appartenane d'un voxel à haune des régions. La HRF propre à

un voxel est alors une ombinaison des diérentes HRFrégionales estimées,

haune apparaissant ave un poids d'autant plus important que la

proba-bilité d'appartenane du voxel à la zone est élevée. Si la diérene entre les

HRFs estimées est susament importante, on peut même imaginer qu'une

telle estimation permettra de raner la délimitationdes zones, deux voxels

ave une HRFprohe ayantune probabilitéplus importanted'être dans

une mêmezone.

Référenes

[1℄ J. Besag. Spatial interation and the statistial analysis of lattie

sys-tems. JournaloftheRoyalStatistialSoiety. SeriesB(Methodologial),

32(2) :192236, 1974.

[2℄ J. Besag. On the statistial analysis of dirty images. Journal of Royal

Statistis Soiety, 48:259302, 1986.

[3℄ J.T. Chang. Markov RandomFieldsandHidden Markov Models,1999.

http://www.se.us.edu/~h ang/ 203/ mrf_ sho rt.p s.

[4℄ O.David,I.Guillemain,S.Saillet,S.Reyt,C.Deransart,C. Segebarth,

and A. Depaulis. Identifying neural drivers with funtional MRI : an

eletrophysiologial validation. PLoS Biology, 6(12) :268397, 2008.

ping. http://www.fil.ion.ul.a .uk/ spm .

[6℄ R.S.J. Frakowiak, K.J. Friston, R.J. Dolan, C.D. Frith, C.J.

Prie, J.T. Ashburner, S. Zeki, and W.D. Penny. Human

brain funtion. Aademi Press, 2004. Disponible à l'adresse

http://www.fil.ion.ul.a.u k/sp m/do /bo oks /hbf 2/.

[7℄ A. Gelman. Bayesian data analysis. CRC press, 2004.

[8℄ D.A.Handwerker,J.M.Ollinger,andM.D'Esposito. VariationofBOLD

hemodynami responses aross subjets and brain regions and their

ef-fets onstatistial analyses. Neuroimage, 21(4) :16391651,2004.

[9℄ JRHershey,PAOlsen,and I.B.M.T.J.W.R.Center. Approximatingthe

KullbakLeiblerdivergenebetweenGaussianmixturemodels.InIEEE

International Conferene on Aoustis, Speeh and Signal Proessing,

2007. ICASSP 2007, volume 4, 2007.

[10℄ N. Johnson, S.Kotz, and N. Balakrishnan. Continuous Univariate

Dis-tributions, vol.1-2, 1994.

[11℄ M.I.Jordan.Learningingraphialmodels.KluwerAademiPublishers,

1998.

[12℄ LAPACK++ a library for high performane linear algebra

omputa-tions. http://lapakpp.soureforge. net.

[13℄ N.A. Lazar. The statistial analysis of funtional MRI data. Springer

Verlag, 2008.

[14℄ S. Makni. Estimation and detetion of brain ativity in funtional

ma-gneti resonane imaging taking aount anatomial information. PhD

thesis, Université ParisXI, 2006.

[15℄ S. Makni, J. Idier, T. Vinent, B. Thirion, G. Dehaene-Lambertz, and

P. Ciuiu. A fully Bayesian approah to the parel-based

detetion-estimationofbrainativityinfMRI. NeuroImage,41(3):941969,2008.

[16℄ R. Morris, X. Desombes, and J. Zerubia. An analysis of some models

used inimage segmentation. Rapport de reherhe INRIA, 1996.

[17℄ Neuroimaging Informatis Tehnology Initiative.

http://nifti.nimh.nih.gov/.

[18℄ W. Penny,S. Kiebel,and K.Friston. VariationalBayesian inferenefor

fMRI time series. NeuroImage, 19(3) :727741, 2003.

[19℄ J.PolzehlandV.Spokoiny.Propagation-separationapproahforloal

li-kelihoodestimation. ProbabilityTheoryandRelatedFields,135(3):335

362, 2006.

perimentswithstrutural adaptivesmoothingproedures. NeuroImage,

33(1) :5562, 2006.

[21℄ C. Triantafyllou,R.D.Hoge, andL.L.Wald. Eet ofspatialsmoothing

onphysiologialnoiseinhigh-resolutionfMRI. Neuroimage,32(2):551

557, 2006.

[22℄ DG Tzikas, AC Likas, and NP Galatsanos. The variational

approxi-mation for Bayesian inferene. IEEE Signal Proessing Magazine,

25(6) :131146, 2008.

[23℄ T. Vinent, P. Ciuiu, and J. Idier. Spatial Mixture Modelling for the

Joint Detetion-Estimation of Brain Ativity in fMRI. In IEEE

Inter-national Conferene on Aoustis, Speeh and Signal Proessing, 2007.

ICASSP 2007,volume 1,2007.

[24℄ M.W. Woolrih, S. Jbabdi, B. Patenaude, M. Chappell, S. Makni,

T. Behrens, C. Bekmann, M. Jenkinson, and S.M. Smith. Bayesian

analysis of neuroimaging data inFSL. Neuroimage, 2008.

[25℄ M.W.Woolrih,M.Jenkinson,J.M.Brady,andS.M.Smith. Fully

Baye-sian spatio-temporalmodelingoffMRIdata. IEEE transations on

me-dial imaging,23(2) :213231, 2004.

[26℄ KJ Worsley, CHLiao,J.Aston, V. Petre, GH Dunan,F. Morales, and

AC Evans. A general statistial analysis for fMRI data. NeuroImage,

11(5;PART 2):648648, 2000.

[27℄ Signal and noise in fMRI,2003.

http ://www.bia.duke.edu/edua tion /ou rse s/fa ll03 /fmr i/.

A Première implémentation

A.1 Desription

Nous avons implémenté en C++, à l'aide de la librairie LAPACK++

[12℄, la première approhe (Gamma-Gamma-Gaussienet ICM) dérite dans

e mémoire.Lesdeux programmesprinipaux sont :

analyse,quieetueletraitementd'uneséried'imagesauformatNifti;

simul, qui permet d'eetuer les simulations.

Nous avons également érit deux programmes simples : l'un pour eetuer

la onversion d'images Nifti 3D vers PGM (pour traitement ultérieur des

images) etun autre pour alulerla diéreneentre deux images Nifti.

Le hier de design est un hier texte ontenant des paramètres et la

desription des onditions ainsi que leurs instantsd'arrivées (onsets).

A.2.1 Paramètres

hier : le nom du hier à partir duquel lire les données 4D; si e

paramètre se termine par un undersore (_) une série d'images3D est

lue;

image1:siuneséried'images3Dest lue,numérode lapremièreimage

à traiter(défaut 1);

tr : temps de répétitionen seondes;

duree : durée de l'expériene en seondes;

hrfsample : période d'éhantillonnage de la HRF en seondes

(dé-faut=tr);

hrfano : si présent, la HRF n'est pas estimée (défaut : la HRF est

estimée);

ar1 : si présent, un modèle AR(1) est utilisé pour le bruit (semble ne

pas fontionner);

beta1, beta2 : les oeients

β ₁

^et

β ₂

^, ^f ^desription ^du ^modèle

(dé-faut :

β 1 = 1

β 2 = 0

bw_hrf:largeurdelagaussienneutiliséepourlisserlaHRF(défaut=0,

pas de lissage)

seuil : seuil utilisé pour ne pas onsidérer un voxel omme fond;

e paramètre est àadapter en fontiondes données si lefondn'est pas

uniformémentà 0 (défaut :0).

frainit : lors de la lassiation initiale, un voxel est lassé omme

ativé (resp. désativé) si le oeient de orrélation est supérieur à

frainit

×

^maxorrel,^(resp.^inférieur^à^frainit

×

^minorrel),^où^maxorrel

et minorrel sont respetivement les plus grands et plus petits

oe-ients de orrélation alulés(défaut=0.5);

seuilinit:siseuilinit

6 =

^-1,^frainitêst îgnoréêt^la^règle^de^lassiation

initialesuivanteestutilisée:sileoeientde orrélationestsupérieur

à seuilinit (resp. inférieurà -seuilinit)le voxel est lassé ommeativé

(resp. désativé)(défaut=-1);

blo: siprésent, lesonsets sontspéiés en mode blo(défaut : mode

évènements).

Uneligneparondition,ave unehaînedearatèresnommantla

ondi-tion, puis les instants d'arrivée des onsets (en seondes), terminée par un

point.

A.2.3 Exemples de hier de design

fihier /tmp/aaa.nii

tr 1

duree 360

beta1 1

hmax 60

ev1 0 120 240 .

ev2 60 180 300 .

Exemple utilisé pour lesdonnées de lasetion 3.5.3 :

fihier /data/map284/1801/smoothe d/sr ua1 801_

blo

seuil 1000

beta1 1

beta2 0

tr 2.5

duree 288

image1 6

hrfsample 1

bw_hrf 20

frainit 0.9

1 0 12 36 48 72 84 108 120 144 166 190 202 226 238 262 274 .

2 12 24 48 60 84 96 120 132 166 178 202 214 238 250 274 286 .

3 24 36 60 72 56 108 132 144 178 190 214 226 250 262 .

B Deuxième implémentation

Nousavons implémenté,toujoursen C++ maissans dépendane surla

librairieLAPACK++lesdeuxièmeettroisièmeapprohes déritesdans e

mémoire.Nous avons également implentépour leseondmodèle laméthode

d'inférene ICM, an de pouvoir omparer les résultats obtenus suivant les

deux méthodes d'inférene. L'implémentationde latroisièmeapprohe

(mo-dèle auto-gaussien)est enoreàl'étatde prototypeetn'est pasutilisablesur

des données réelles (pour des raisonsde performane).

ressortunrapportauformatHTMLomprenantungraphedelaHRF

es-timée,ainsiquelesvaleursdesdiérentsontrastes,superposéesave l'image

anatomique si elle-i est disponible, ou par défaut, ave la moyenne des

images fontionnelles.

Les répertoires de sortie sont dénis par des maros #define du hier

lib.hpp :

CACHE_DIR : répertoireontenant les imagesen ahe;

FILTERED_DIR : répertoire ontenant les images après appliation du

ltre passe-haut;

OUT_DIR :répertoire ontenant lesartes résultatsau format Nifti;

REPORT_DIR : répertoire ontenant lesrapports auformat HTML.

Lesparamètressonttoujourslusdansun hier dedesign;ladesription

de l'expériene suit le même format que dans la première implémentation.

Voiila listedes paramètres ainsi que leur signiation:

hier : le nom du hier à partir duquel lire les données 4D; si e

paramètre se termine par un undersore (_) une série d'images3D est

lue;

freq:fréquenedeoupuredultrepasse-hautappliquésurlesdonnées

(mettreaumoinsà1pourretirerlaomposanteontinue);leparamètre

à donnerest lenumérode ladernière omposanteDCT àouper.

image1:siuneséried'images3Dest lue,numérode lapremièreimage

à traiter(défaut 1);

tr : temps de répétitionen seondes;

duree : durée de l'expériene en seondes;

hrfsample : période d'éhantillonnage de la HRF en seondes

(dé-faut=tr);

hrfano : si présent, la HRF n'est pas estimée (défaut : la HRF est

estimée);

hmax :taillede la HRFà estimer en seondes (défaut : 28);

ar1 : si présent, un modèle AR(1) est utilisé pour le bruit (semble ne

pas fontionner);

beta1:pourlemodèleauto-gaussienuniquement,oeient

β 3

^;^pour

lemodèlemélangede gaussiennes,beta1est estiméeteparamètreest

ignoré;

beta2 : ignoré;

bw_hrf:largeurdelagaussienneutiliséepourlisserlaHRF(défaut=0,

pas de lissage)

seuil : seuil utilisé pour ne pas onsidérer un voxel omme fond;

e paramètre est àadapteren fontiondes données si lefondn'est pas

uniformémentà 0 (défaut :0).

seuilinit : ignoré;

soreinit :

t

^-sore ^minimal^pour ^la ^lassiation ^initiale^omme ^voxel

ativé (défaut : 1);

soreinitn:

t

^-sore^maximal^pour^la^lassiation^initiale^omme^voxel

désativé(défaut : -soreinit);

blo: siprésent, lesonsets sont spéiés en mode blo(défaut : mode

évènements);

fontio : hemin d'aès vers l'image anatomique pour superposition

des résultats (défaut : superposer la moyenne des images

fontion-nelles);

im: utiliser ICM (défaut :ne pas utiliser);

ppseuil : seuil d'ahage des ontrastes dans les pages de résultats;

masque:hemind'aèsverslemasquedetraitement,auformatNifti;

dumptted :ressortir le modèle ajusté;

dumpaz : ressortir les hiers Nifti ontenant les paramètres estimés

à haque itération de l'algorithme;

lambda :rapport minimalentre lesdeux onditions àomparer;

ag : utiliser lemodèle auto-gaussien(expérimental).

Dans le document Cadre bayésien markovien pour l’estimation de la HRF et la détection des activations en IRM fonctionnel (Page 56-0)