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 )
(oùk
est lenombre de régions, et
h r
la HRF de la régionr
); on ontraint les HRF dedeux 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)
désignela régionà laquelle appartientle voxeli
.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
etβ 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.inférieuràfrainit×
minorrel),oùmaxorrelet minorrel sont respetivement les plus grands et plus petits
oe-ients de orrélation alulés(défaut=0.5);
seuilinit:siseuilinit
6 =
-1,frainitest ignoréetlarègledelassiationinitialesuivanteestutilisée: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
;pourlemodèlemélangede 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 minimalpour la lassiation initialeomme voxelativé (défaut : 1);
soreinitn:
t
-soremaximalpourlalassiationinitialeommevoxeldésativé(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).