Dansl'approhe lassique présentée plushaut, lafontionHRFest posée
omme un a priori xe, la détetion et l'estimation des ativations étant
menéesommesitouslessujetsavaientlamêmeHRFdanstouteslesparties
du erveau.
Il existe plusieurs formules analytiques modélisant une HRF ayant un
sens physiologique. Nous donnerons omme exemple la diérene de deux
gamma:
ave
t
le temps exprimé en seondes. Les valeurs anoniques données auxparamètres sont les suivantes (f. [20℄)
a 1 = 6
,a 2 = 12
,b 1 = b 2 = 0.9
,d i = a i b i
pouri = 1, 2
etc = 0.35
. Voiren Figure 4pour une représentation de ette fontion.On peut égalementvouloir estimerlaHRF du sujetà partirdes mesures
eetuées et l'utiliser pour la détetion/estimation des ativations. Pour un
sujet sain, ette estimation supplémentaire permet d'espérer raner la
détetion des ativations;pour un sujettrès jeune ouatteintd'une maladie,
ette estimation est néessaire sil'on veut traiterl'image,omptetenude la
forme très diérente de la HRFhez es sujets.
Des approhes paramétriques d'estimationde la HRFont été proposées,
ave estimation des paramètres par maximum de vraisemblane (ou
maxi-mum a posteriori) (f. [25℄); il existe également des approhes
semi-para-métriques, où la fontion HRF est dérite omme une ombinaison linéaire
(ave d'éventuelles ontraintes sur les oeients pour que la HRF estimée
fasse sens physiologiquement)de fontionsde base; ennonpeut également
faireune estimationnon-paramétrique.Danseas, pouraméliorer
l'estima-tion de laHRF
h
onpeut intégrerdeux onnaissanes a priori (f.[15℄) : la fontionh
vérieh(0) = 0
et queh(D) = 0
pourD
de l'ordre de 25à 30seondes 1
;
1
mêmesidansertainsaspathologiquesleretouràzéropeutêtrepluslong,f.[4℄
la fontion
h
est àvariationslisses, 'est-à-dire que sa dérivée seonde a une normeL 2
petite.A noter également que lors de l'estimation de la HRF un problème
d'iden-tiabilité se pose : en eet, dans le modèle linéaire (1), si on multiplie la
fontion
h
par un fateur onstantk 6 = 0
et que l'on divise les niveaux deréponse
a
parlemêmefateurk
,onobtientdeux valeursdesvariablesàesti-mer quimaximisentlavraisemblanedu modèle(ou ladensitéa posteriori).
On peut résoudre e problème en normalisant
h
, soiten imposant|| h || 2 = 1
,e quidevrait rendre leproblème bien posé (f. [15℄), ausigne de
h
près; ouenore en xant le maximum de
| h |
à 1.0 50 100 150 200 250 300 t (0.1 s)
Fig. 4: Prolde la fontionde réponse hémodynamique anonique.
Gaussien et ICM
Nous avons hoisi de partir du modèle présenté dans [15℄. Nous nous
proposons de modier e modèle en enlevant leshyperparamètresbayésiens,
et d'utiliserà laplae un hamp de Markov an de modéliser ladépendane
spatialeentrelesvoxels.Lesauteursdumodèleoriginalutilisentuneméthode
de type MCMC pour eetuer l'inférene, e qui donne des temps de alul
assez longs.Nousutilisonsun algorithmedetypeICMande disposerd'une
méthode de traitement plus rapide.
Cetteapprohe aétéétudiéeindépendammentde l'artile[23℄, ette
der-nièreapproheutilisantplus depriorsetsaméthode d'inféreneétantenore
un MCMC.
3.1 Modélisation bayésienne
Nousreprenons les notations de l'équation (1):
y i = X M m=1
a im (X m h) + n i 1 + ǫ i , i = 1, . . . , J
(7)où
X m
désigne l'appliationlinéaireh 7→ x m ⋆ h
.Pour omprendrelaformedeette matrie
X m
,voiil'exemple(peuréa-liste) d'un expériene de 6 seondes, ave un TR de 2 seondes; supposons
que le temps de retour à zéro de
h
soit de 3 seondes, et que nouséhan-tillonions la fontion de réponse hémodynamique toutes les 0.5 seondes;
le veteur
h
est alors de taille 6. Considérons une ondition expérimentaleapparaîssantpour
t = 0
sett = 4
s. La matrieX m
est alors égale à:La matrie
X m
est don formée d'une suession blos identitéquand laondition est ativeou nulsinon.
Nousfaisonsl'hypothèsed'unbruitblangaussien:les
(ǫ i ) i
sontindépen-dants et suivent une loi normale entrée, de matrie de variane/ovariane
σ e 2 I T
,de sorte quey i | a i , h
suit une loinormale,de moyenneX M
m=1
a im (X m h) + n i 1
et de variane
σ e 2 I T
.Noussupposonsdon onnues lesmatries
X m
(rentrées parl'utilisateur) et lesobservationsy i
. Sont à estimerh
,a im
,n i
etσ e 2
.On introduit une étiquette
z im
dénie ommesuit :z im =
+1
si le voxeli
est ativédans la onditionm
− 1
si le voxeli
est désativé dans laonditionm 0
si le voxeli
est neutredans la onditionm
Ces étiquettes ne sont pas diretement observées (e sont don des
don-nées manquantes), elles sont introduitesartiiellement,an de modéliser le
niveau de réponse
a im
ommedépendant dez im
.Pour haque
m
, lesvariables(a im ) i
sont supposées former une familledevariables indépendantes onditionnellement aux
(z im ) i
et pour haquei
, lafamille
(a im ) m
estunefamilledev.a.indépendantes,demêmeque(z im ) m
(onsupposedonqu'iln'yapasd'inueneentre deuxonditionsexpérimentales
diérentes).
Lavraisemblane omplète du modèle à estimers'érit
p(y, a, h, z) = p(y | a, h)p(a | z)p(h)p(z)
soit, ompte tenudes hypothèses d'indépendane formulées plus haut :
p(y, a, h, z) = Y
Dérivons maintenant haun des termes de ette fatorisation. Dans le
premiermodèlequenousproposons (modèleGamma-Gamma-Gaussien),
la variable
a im
sahantz im
est supposée suivre une des lois:a im | z im ∼
l'ensemble des voxels :
p((z im ) i ) ∝ exp
supposée indépendante quelque soit
i
. Nousavons donM
modèlesde Potts(un par ondition expérimentale) que nous supposons indépendants.
L'estimationdelafontionderéponsehémodynamique
h
estnonparamé-trique;ependantlaloia priori sur
h
tientomptedu faitqueettefontionest à variations lisses, i.e. sa dérivée seonde n'est pas trop grande en
valeurabsolue, onhoisit ainsi (ommedans [15℄) :
p(h) ∝ exp − β 2 h T Sh
ave
S = D 2 T D 2
etD 2
lamatriede l'appliationquiàunveteurassoieses diérenes nies seondes :D 2 =
de sorte que la loi a priori sur
h
assure la ontrainte de variations lissesen rendant improbable les
h
ayant une norme de la dérivée seondeim-portante;
β 2
est un seond oeient xé par l'utilisateur, qui détermine l'importanedonnée àette ontrainte.Les ontraintes
h(0) = h(D) = 0
et de normalisation (|| h || 2 ℓ 2 = 1
) serontassurées de manière forte lorsde l'estimationde