3.3 Inférene ICM
3.3.5 Initialisation
Pour initialiser la lassiation, nous alulons, pour haque voxel
i
ethaque onditionexpérimentale
m
,le oeientde orrélation linéaireentrey i
etX m h
. Un voxel dont le déours temporel a une orrélation aveX m h
supérieureàunertainseuil
s > 0
seralasséommeativé,unvoxeldontlaorrélationest inférieureà
− s
seralasséommedésativé,etenn unvoxelaveuneorrélationentre
− s
ets
seralasséommeneutre.Leseuils
peut êtrespéiédiretementpar l'utilisateur,oualuléautomatiquement omme une fration (dénissable par l'utilisateur) du plus grand (resp. duplus petit) oeient de orrélation, pour haque ondition expérimentale.
Nous obtenons également des valeurs initiales pour les niveaux de réponse
a im
ommesuit.Soit un voxel
i
et une onditionn
; partant de l'équation de base dumodèle
y i = X M m=1
a im (X m h) + n i 1 + ǫ i , i = 1, . . . , J
prenons laovarianeave
X n h
,nous obtenonsCov(y i , X n h) = X
m
a im Cov(X m h, X n h) + n i Cov(X n h, 1 ) + Cov(ǫ i , X n h)
nales
en notant
C i
le veteur des ovarianesC i =
et
M i
lamatrie de variane-ovarianeM i =
De mêmele veteurdes orrélations
A ′ i =
Notons que pour mener les aluls de ette phase, nous initialisons la
fontion de réponse hémodynamique àla réponse anonique(f. 2.6).
Lesdiérentes étapesde mise à joursont alors enhaînéesainsi :
Initialisation(
a
,z
,σ e
,n
);Tant quenon onvergene faire :
Miseà jour de
h
;Miseà jour des résidus (
σ e
etn
);Miseà jour des
z
;Siau moins un
z
a été hangé :Miseà jourdes
a
;Miseà jourdes
α ±1m
,β ±1m
etσ 0m
;La onvergene est délarée lorsque, entre deux passages suessifs dans
laboule "Tantque", auun
z
n'a étémodié etlanormeL 2
de ladiéreneentre lafontion
h
préédenteetlafontionh
mise àjourest inférieureà unertain seuil.
3.4 Simulation de données
And'évaluernotreapprohedetraitementd'images,nousdevonsd'abord
simuler des imagesIRMf réalistes.
Ladonnéedematriesdedesign
X 1 , . . . , X M
assoiéesàM
onditionsex-périmentalesainsi que d'uneHRF
h
fournit lessignauxX 1 h, X 2 h, . . . , X M h
.Onsedonneégalementdeuxolletions
( A (1), . . . , A (M ))
et( D (1), . . . , D (M ))
d'ensembles de voxels, l'ensemble
A (m)
(resp.D (m)
) ontenant l'ensembledes voxels ativés (resp. désativés) par la ondition
m
. Les autres voxelssont onsidérés omme neutres.
Lesignal dans le voxel
i
est donné pary i = c X
m∈A(m)
X m h − c X
m∈D(m)
X m h + b 1 + ǫ i
où
b
estunréel,c
unréelpositif,et(ǫ i ) i
estunesuitedevariablesaléatoiresvetoriellesindépendantesoù
ǫ i
estun proessusAR(1)gaussien;'estàdireque quelque soit
i
,ǫ i,1 = σe i,1
ǫ i,2 = ρǫ i,1 + σe i,2
ǫ i,3 = ρǫ i,2 + σe i,3
.
.
. .
.
.
ǫ i,T = ρǫ i,T −1 + σe i,T
ave les
(e i,t ) i,t
tous indépendants etsuivant uneloinormaleentrée réduite.Leoeient
ρ ∈ [0; 1[
est le oeient d'autoorrélation du bruit; dans les appliations typiques de l'IRMfsa valeur varie entre 0 et 0.4(f. [26℄, p.5).
Le oeient
c
est xé à 1000, la valeur deσ
(éart-type du bruit) estalorsadaptée pourpresrire lerapportsignalsurbruit.Ce rapportsignalsur
bruit est aluléainsi (f. [21℄) :
SNR = 1000µ σ
où
µ
est la moyenne du signal utile :µ = 1
MT X M m=1
|| X m h || ℓ 2 .
L'expression de
σ
en fontion deSNR
est don :σ = 1000µ
SNR .
Les valeurs de
SNR
sont généralement omprises entre 0.1 et4.0(f. [27℄).3.5 Evaluation de l'approhe
3.5.1 Evaluation de l'estimation/détetion
Dans un premier temps, nous ne testons que l'estimation/détetion des
ativations ou des désativations. Nous simulons don des données à partir
de laHRFanonique,etnousforçonsleprogrammeàne pasestimerde HRF
mais à utiliser laHRF anoniquetout aulong du traitement.
Commeparadigmeexpérimental,nous utilisonsdeux onditions qui
s'al-ternent toutesles15seondes, trois foishaune. LeTRest xéà1seonde.
L'image, formée de 6 oupes ontigües formant un total de 900 voxels,
omporte deux zones parallélépipédiques : une de 12 voxels ativés dans
la ondition 1, désativés dans la ondition 2; et une seonde de 8 voxels
désativés dans la ondition 1 et ativés dans la ondition 2. Les images
montréess'intéressentuniquementàlaondition1(l'autreétantsymétrique).
Comme nous pouvons le voir sur la Figure 5, le SNR a bien entendu
une grandeimportane dans la qualité de l'estimation obtenue. La Figure6
montre quele oeientde orrélation
ρ
n'a pas unegrande importanesurla reonstrution de l'image.
Au niveau du paramètre de régularisation spatiale
β 1
, nous voyons surla Figure 7que plus
β 1
est grand, plus notre estimateur reherhe des blosontigus d'ativation; par ontre si
β 1
est trop fort, la méthode perd ensensibilité de détetion des petites ativations. Par exemple, dans l'image
(e), (pour
β 2 = 5
) le groupe des 8 voxels désativés n'est plus déteté; parontre les12voxels ativés sonttoujours bien détetés.
Enn,laFigure8montrequenotreméthodedelassiationpara priori
markovien donne de biens meilleurs résultats que la tehnique de seuillage
sur lesoeients de orrélation,utilisée pour initialiserl'algorithme
d'esti-mation.
(b) Niveaux de réponses estimés pour
SNR=0.1.
() Voxels ativés estimés pour
SNR=0.1.
(d) Niveaux de réponses estimés pour
SNR=0.02.
(e) Voxels ativés estimés pour
SNR=0.02.
(f) Niveaux de réponses estimés pour
SNR=0.01.
(g) Voxels ativés estimés pour
SNR=0.01.
β 1 = 1 ρ = 0
(b)
ρ = 0 . 2
()
ρ = 0 . 4
(d)
ρ = 0 . 6
ρ β = 1
(b)
β 1 = 0 . 5
()
β 1 = 1
(d)
β 1 = 2
(e)
β 1 = 5
Fig. 7: Inuene du oeient
β 1
(SNR=0.04,ρ
=0). Les niveaux(b)Seuillage surlesoeientsdeorrélation
(seuil=0.5
×
leplusgrandoeient deorré-lation)
()EstimationparICM(
β 1 = 2
)Fig. 8: Comparaison des lassiations voxels ativés/désativés
(SNR=0.04).
Pour tester notre méthode d'estimation de la HRF sur des données
fai-sant sens physiologiquement, nous simulons des données générées à partir
de la onvolution ave une HRF dont le retour à zéro après la stimulation
est anormalement lente; ette forme de HRF a été observée hez les rats
épileptiques (f.[4℄, Figure3 (B)).
Uneformuledonnantune telle HRFest la suivante(voirFigure9) :
h(t) =
− 0.694t 2 + 8.33t
sit < 6
− 10.54 ln t + 43.88
sit ≥ 6
Pourteniromptedeetteréponsehémodynamiquepluslente,nous
hoi-sissonsd'estimerlaHRFsuruneduréede 60seondes(aulieude28seondes
habituellement).Toutes lessimulationsde ette setionontété eetuées en
xant
β 1 = 1
.SNR élevé Nousvoulonsd'abordtesterleomportementdenotre
estima-tionde laHRFpourun niveaudebruittrèsfaible.Pourelanoushoisissons
SNR = 2
. Nous utilisons le même paradigme expérimental qu'à la setion préédente, à savoiralternane toutes les15 seondes de deux onditions.LaHRF estiméeest visible en Figure10.
Ce résultat, peu satisfaisant ompte tenu du niveau de bruit très faible,
est dû au paradigme expérimental qui ne tient pas ompte de la lenteur de
ladéroissane de laréponse hémodynamique.Eneet, sinous hangeonsle
rhythme d'alternane des deux onditions, à savoir que nous alternons trois
fois haune deux onditions toutes les60seondes, nous obtenons
l'estima-tion visible en Figure11.
L'estimationest ette fois-itrès orrete.
SNR faible Enonservant leparadigme lent,nous eetuons d'autres
si-mulations en prenant
SNR = 0.03
.0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
temps (s)
Fig.9: Prol de laHRFà variation lenteutilisée.
-0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0 10 20 30 40 50 60
Fig. 10: HRF estimée pour SNR=2,
β 2 = 0
, auun lissage gaussien et unparadigme expérimentalrapide.
0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
Fig. 11: HRF estimée pour SNR=2,
β 2 = 0
, auun lissage gaussien et unparadigme expérimentallent.
(b) Image reonstruite ave estimation de la
HRF.
() Image reonstruite sans estimation de la
HRF.
Fig. 12: Inuene de l'estimation de la HRF sur l'estimation des
niveaux de réponse.
0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
temps (s)
(a)HRForiginale.
-0.05 0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
(b) HRFestimée sanslissagegaussien.
0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
() HRF estimée ave lissage gaussien
(
BW = 10
)0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
(d) HRF estimée ave lissage gaussien
(
BW = 20
)Fig.13: Inuene du paramètre
BW
de lissage gaussien (β 2 = 0
).0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
temps (s)
(a)HRForiginale.
-0.05 0 0.05 0.1 0.15 0.2 0.25 0.3
0 10 20 30 40 50 60
(b)HRFestiméeave
β 2 = 0
.-0.3 -0.2 -0.1 0 0.1 0.2 0.3
0 10 20 30 40 50 60
()HRFestiméeave
β 2 = 0 . 002
.-0.3 -0.2 -0.1 0 0.1 0.2 0.3
0 10 20 30 40 50 60
(d)HRFestiméeave
β 2 = 0 . 5
.Fig. 14:Inuene de
β 2
(sans lissage gaussien).de la HRF fournit une meilleure estimation des niveaux de réponse, et que
lelissage gaussiendonnede bons résultats,à omparer ave lelissagepar
β 2
qui semblene pas fontionner.
3.5.3 Evaluation sur des données réelles
Nous avons testé notre programme sur des données issues d'une
expé-rienede visiondes ouleurs;onprésenteausujetpendant200milliseondes
une image en noir et blan (ondition 1), repos durant 12.3 seondes,
pen-dant200milliseondesuneimageen ouleur(ondition2),reposdurant12.3
seondes, et enore repos pendant 12.5 seondes (ondition 3). Ce blo de
trois onditions est répété 8fois. Letemps de répétitionest de 2.5seondes.
La résolution spatialeest de 3 mm.
Lesparamètres utilisés pour letraitement sont visibles dans lehier de
design que nous donnons intégralementen partie A.2.3.
Lesdonnées ontété préalablementtraitées pour orrigerlesmouvements
éventuels du patientet ontsubi un lissage gaussien.
Les résultats, sous forme de ontrastes entre les diérentes onditions,
sont dans lesFigures 15à 17.La HRFestimée est montrée en Figure18.
L'interprétation de es résultats n'est pas enore parfaitement terminée,
ependant on peut déjà dire que l'on retrouve bien des ativations dans les
aires visuelles, e quiest normal.
non danslaondition 2;en rougelesvoxelsdésativésdanslaondition1 et
non dans laondition 2).
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
0 2 4 6 8 10
Fig.18:Estimation de la HRF (1 unité en absisses = 2.5 s).
siennes et EM variationnel
L'intérêt de notre seonde approhe est le remplaement de la méthode
ICM par une approhe variationnelle d'approximation du posterior, an de
déterminer l'ensemble de la loi a posteriori (et non pas seulement un de
ses modes). L'approhe variationnelle que nous proposons est équivalente
à l'utilisation de l'algorithme EM variationnel. Pour ette approhe, nous
reprenons lemodèle linéaire dérit préédemment, ainsi que lalassiation
des voxels en troislasses. L'interation spatialeentre lesvoxelsest toujours
apturée par un modèle de Potts sur leslasses
z im
.Pour la modélisation des niveaux de réponse, nous avons onsidéré un
modèle mélangede trois gaussiennes, i.e.
a im | z im ∼
4.1 Loi a posteriori des
z
Nousherhons à approximer laloia posteriori des
z
:p(z | y) = p(a | z)p(z)
par laloi fatoriséesuivante:
q(z) = Y
ln q(z)
Prenons maintenant l'espérane par rapportà
q
; nous avons :E q [ln q im (z im )] = λ im ln λ im + µ im ln µ im + (1 − λ im − µ im ) × ln(1 − λ im − µ im )
Ces relations appelées équations de hamp moyen forment, pour haque
m = 1, . . . , M
,unsystèmede2 × J
équationsnonlinéaires,dontlesinonnuessont les
λ im
etlesµ im
.de Newton, les valeurs ourantes des
λ im
et desµ im
peuvent sortir del'intervalle
[0; 1]
,equifaitquel'itérationn'estplusbiendénie.Nousdevons don résoudre lesystème par pointxe.Pour ela, herhons à exprimer
λ im
etµ im
en fontion deλ jm
etµ jm
Pour des raisonsde stabiliténumérique,nous devons remplaer es formules
par des formules équivalentes : si
k ≥ l
onutilise :λ im = 1
ant(16)-(19).L'initialisationdesitérationssefaitenrésolvantleséquations
4.2 Loi a posteriori des
a
Laloiaposteriorides niveauxde réponse
a = (a im ) i,m
estapprohéepar:q a (a) = p(y | a) Y
i,m
p(a im | z im = 1) q im (z im =1) p(a im | z im = − 1) q im (z im =−1) p(a im | z im = 0) q im (z im =0)
D'où en remplaant
p(y | a)
par savaleur et en passant au logarithme:ln q a (a) = X
Soit, d'après lealul préliminaire eetuéen 3.3.3,
ln q a (a) =
Cste+ X
Par onséquent, sous
q a
, les veteurs(a i· ) i
sont des veteurs gaussiensindé-pendants;leveteur
a i·
suitune loinormaledontlamoyenneb a i
etlamatriede ovariane
Σ i
sonttrouvésenidentiantlestermesapparaissantdans l'ex-pression deln q a (a)
i-dessus. En eet, siX
suit une loiNormale(µ, Σ)
ona :
ln p(x) =
Cste− 1
2 x T Σ −1 x + µ T Σ −1 x.
En identiant lestermes linéaireset quadratiques on trouve don :
Σ −1
Σ −1 b a i
= < X m h, c i >
σ e 2 + q im (z im = 1) µ 1
σ 1 2 + q im (z im = − 1) µ −1
σ −1 2
Lealuldelaloiaposteriorides
a
seramènedonàl'inversiondeJ
matriesM × M
.4.3 Comparaison de onditions
4.3.1 Contraste
Etant donné un veteur
k ∈ R M
de ontrastes, alulons la probabilité (a posteriori)que leontraste< k, a i >
d'un voxel soitpositif :P (< k, a i > ≥ 0) = 1
√ 2πs 2 Z ∞
0
e − (x−m)2 2s 2
dx
En eet, a posteriori,
< k, a i >
est une v.a. réelle gaussienne de moyennem =< k, b a i >
et de varianes 2 = k T Σ i k
.Après hangement de variable, ette probabilité s'exprimeà partir de la
fontion d'erreur erf :
P (< k, a i > ≥ 0) = 1
Pour omparer les onditions
m
etn
, nous pouvons également utiliserladivergene de Kullbak-Leibler entre les deux lois a posteriori de
a im
eta in
pour haque voxel
i
, àl'instar de [15℄.Cesdeux loissontgaussiennes, nousutilisonsdon lesformules suivantes
de alul de ladivergene de KLentre deux gaussiennes, trouvées dans [9℄:
KL = 1
4.4 Estimation de
h
Nous donnons une estimation pontuelle (maximum de vraisemblane)
du veteur de HRF
h
, hoisie de manière àmaximiser :E q
a [ln p(y | a, h)] .
On a :
En utilisant lesformules :
E (X 2 ) =
Var(X) + E (X) 2
et
E (XY ) =
Cov(X, Y ) + E (X) E (Y )
Nous trouvons ommequantité àmaximiser en
h
:E q
Laquantité àmaximiserest donsimilaireàelle de3.3.2,en remplaçant
a im
,a 2 im
eta im a in
par leurs équivalentstildés :4.5 Estimation de
β 1
Nouspouvons estimerle oeient
β 1
du modèle de Potts de la manièresuivante :notons
N
lenombre de liques homogènes :N = X
Onpeutdéterminerlavaleurde
N
àpartirdelalassiationinitiale(3.3.5).Parailleurs,pourhaquevaleurde
β 1
, onpeut alulerlaloiq(z)
appro-hant elle de
z
sahanty
, puis aluler l'espérane deN
sous ette loiq(z)
ave laformule:
E (N ) = X
i,m
X
j∈N(i)
q(z im = 1)q(z jm = 1)+q(z im = 0)q(z jm = 0)+q(z im = − 1)q(z jm = − 1)
Notre estimation de
β 1
justiée par la forme de l'estimateur du maxi-mum de vraisemblanedeβ
pour un modèle de Potts (f. [16℄) onsiste àhoisir
β 1
pour que lavaleur observée deN
etson espérane soientégales.Enpratique,nousutilisonsune reherhe dihotomiquepour trouverune
valeurde
β 1
satisfaisante. Cetteméthode est justiée par lefait quela fon-tionβ 7→ E (N )
est roissante.5 Troisième approhe : modèle auto-gaussien
Dans ette approhe, nous abandonnons la lassiation des voxels, et
hoisissons un prior auto-gaussien sur les
a
:p(a) ∝ Y
tout en onservant par ailleurs le même modèle que dans la deuxième
ap-prohe.
ln p(a | y) =
Cste+ X
Laloiaposteriorides
a
estdonuneloinormale,dontlesparamètrespeuventêtre trouvés ommepréédemmenten identiantles termeslinéaireset
qua-dratiques dans l'expression au-dessus.
6 Conlusion et perspetives
6.1 Conlusion
Nous avons don présenté des méthodes automatisées de dépouillement
des données issues d'uneexpériene d'IRM fontionnelle.Lesapports de es
méthodesparrapportauxmodèlesourantssontl'estimationnon-paramétrique
de la HRF et la prise en ompte de l'homogénéité spatiale des données à
traiterdans un adrebayésien bien établi,etl'utilisationd'algorithmes
d'in-férene rapides.
Voyons maintenantquelques uns des axes d'amélioration.
6.2 Extensions possibles
6.2.1 Meilleure prise en ompte du bruit
Un modèle de bruit AR(1) pourraitêtre estimédans l'équation(7)pour
tenir ompte de la orrélationtemporelle des erreurs (f.[26℄).
Nousavons ommené à implémenter lagestion du bruit AR(1).
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
initialesuivanteestutilisée:sileoeientde orrélationestsupérieur