HAL Id: hal-00831300
https://hal.inria.fr/hal-00831300
Submitted on 6 Jun 2013
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires
Cadre bayésien markovien pour l’estimation de la HRF et la détection des activations en IRM fonctionnel
Alexandre Janon
To cite this version:
Alexandre Janon. Cadre bayésien markovien pour l’estimation de la HRF et la détection des activa-
tions en IRM fonctionnel. Traitement du signal et de l’image [eess.SP]. 2009. �hal-00831300�
la HRF et la détetion des ativations en IRM
fontionnel.
Rapportdu stage de Master reherhe 2ème année Mathématiques
appliquéeseetué à l'INRIARhne-Alpesetau G.I.N. (Grenoble Institut
des Neurosienes) sous ladiretionde Florene ForbesetMihelDojat.
1 Introdution 3
1.1 Résumé . . . 3
1.2 Présentation des équipesd'aueil . . . 3
1.3 Présentation de l'imageriepar résonane magnétique . . . 4
1.4 Problèmes posés par letraitement des données IRMf . . . 6
1.4.1 Quantité de données àtraiter . . . 6
1.4.2 Bruit . . . 6
1.4.3 Faiblesse de l'eet BOLD . . . 7
1.4.4 Filtragedu signal . . . 7
2 Analyse des signaux en IRMf 9 2.1 Modélisationdu signal (GLM) . . . 9
2.2 Contrastes entre onditions. . . 10
2.3 Approhe standard par tests . . . 10
2.4 Lissage spatial . . . 11
2.5 Approhe bayésienne . . . 12
2.5.1 Champs de Markov . . . 13
2.5.2 Inférene . . . 14
2.6 Modélisationet estimation de la HRF . . . 16
3 Première approhe : modèle Gamma-Gamma-Gaussien et ICM 19 3.1 Modélisationbayésienne . . . 19
3.2 Estimationdes paramètres . . . 22
3.3 Inférene ICM . . . 23
3.3.1 Algorithmed'inférene . . . 23
3.3.2 Mise àjour de
h
. . . . . . . . . . . . . . . . . . . . . . 233.3.3 Mise àjour de
a
. . . . . . . . . . . . . . . . . . . . . . 253.3.4 Mise àjour de
z
. . . . . . . . . . . . . . . . . . . . . . 273.3.5 Initialisation. . . 27
3.3.6 Algorithmenal . . . 29
3.4 Simulationde données . . . 29
3.5 Evaluation de l'approhe . . . 30
3.5.1 Evaluation de l'estimation/détetion . . . 30
3.5.2 Evaluation de l'estimation de la HRF . . . 36
3.5.3 Evaluation sur des données réelles . . . 43
variationnel 47
4.1 Loia posteriori des
z
. . . . . . . . . . . . . . . . . . . . . . . 474.2 Loia posteriori des
a
. . . . . . . . . . . . . . . . . . . . . . . 504.3 Comparaisonde onditions . . . 51
4.3.1 Contraste . . . 51
4.3.2 Divergene KL . . . 51
4.4 Estimationde
h
. . . . . . . . . . . . . . . . . . . . . . . . . . 514.5 Estimationde
β 1
. . . . . . . . . . . . . . . . . . . . . . . . . 535 Troisième approhe : modèle auto-gaussien 53 6 Conlusion et perspetives 54 6.1 Conlusion . . . 54
6.2 Extensions possibles . . . 54
6.2.1 Meilleure prise en ompte du bruit . . . 54
6.2.2 Estimationde laHRF par zones . . . 54
A Première implémentation 57 A.1 Desription . . . 57
A.2 Format de hier de design . . . 58
A.2.1 Paramètres . . . 58
A.2.2 Conditions . . . 59
A.2.3 Exemples de hier de design . . . 59
B Deuxième implémentation 59
1.1 Résumé
Danse mémoire,nous présentons d'abord brièvement l'imageriepar ré-
sonanemagnétiquefontionnelle,etnousdégageonslesdiultésposéespar
letraitementstatistiqueautomatisédesimagesobtenuesparettetehnique.
Puis nous présentons quelques unes des méthodes existantes, se basant sur
un modèle xe de la HRF, pour un tel traitement. La ontribution de e
mémoire onsiste en la proposition d'une méthode bayésienne pour estimer
la HRF et prendre en ompte la orrélation spatiale des ativations via un
modèle markovien. Après la desription de ette méthode, nous l'évaluons
sur des données simuléesetréelles,etnous terminonsen présentant desaxes
possiblesd'extension.
1.2 Présentation des équipes d'aueil
Cestage dereherhe s'estdérouléauseinde deux équipesde reherhe :
l'équipe MISTIS, dépendant de l'INRIA Rhne-Alpes, dont l'objetif
est de développer des méthodes statistiquesadaptées à l'étudede phé-
nomènes, de modèles et de données omplexes, ave pour orientations
appliativesprivilégiéesle traitement d'imageset de données spatiales
dans les domaines biomédiaux et industriels; l'approhe de l'équipe
est basée sur l'introdution de la notionde struture dans lesmodèles
et dans les données; les thèmes de reherhe sont les suivants : les
modèles de mélange, les modèles markoviens, et les méthodes semi et
non-paramétriques.
l'équipe 5 (Neuro-imagerie Fontionnelleet Métabolique) de l'Institut
des Neurosienes de Grenoble, qui s'intéresse aux appliations bio-
médiales in vivo de la résonane magnétique nuléaire (RMN). Les
travaux, eetués tant sur l'homme que sur petit animal (rat, souris),
visent audéveloppement,àl'évaluationetàl'exploitationdu potentiel
en neurosienes liniques, biologiques et ognitives de l'ensemble des
méthodes de neuroimageriepar RMN. Les travaux ont été développés
autourde troisthèmesdereherhe:lamiro-vasularisationérébrale,
le métabolisme érébral et l'IRM fontionnelle (IRMf) des ativations
érébrales.
tique
L'IRM (imagerie par résonane magnétique) est une tehnique non in-
vasive permettant d'obtenir une image en trois dimensions d'une partie du
orps. Elleest basée sur lamesurede laréponse de lazone étudiéeàl'appli-
ation d'un hamp magnétique de forteintensité (atuellement entre 2 et 4
T),ladistintionentredeuxmilieuxdiérentsétantfondéesurleursréponses
diérentes.
Cette tehnique peut être utilisée pour produire une vue 3D du erveau
oùsontdistinguésmatièregrise,matièreblanheetliquideéphalo-rahidien,
aveunerésolutiondel'ordredumillimètre;onparlealorsd'IRManatomique
érébrale. Voiren Figure1 pour un exemple d'image obtenue.
Une autre appliation de l'IRM, plus réente, est la mesure de l'ativité
du erveau au ours du temps. Elle se base sur la diérene de réponse
magnétique entre une moléuled'hémoglobineoxygénée etune désoxygénée.
Lorsqu'unneuroneestativé,l'auxsanguinautourdeeneuroneaugmente,
e qui se traduit par l'augmentation de la onentration en hémoglobine
oxygénée et don par une modiation du signal IRM observé. Ce prinipe
se nomme eet BOLD (pour blood-oxygen-level-dependent)et est à la base
de l'IRM fontionnelle (en abrégé IRMf). En IRMf, les aquisitions sont
répétées au ours du temps; la durée entre deux aquisitions étant le temps
de répétition (TR), de l'ordre de deux à trois seondes; voir Figure 2. An
d'avoirunrapportsignal-sur-bruitsusant,unerésolutionspatialedel'ordre
de 3millimètresest utilisée.
Laoneptiond'uneexpériened'IRMfonsisteàdénirdiérentesondi-
tions qui sont répétées suessivement. Ces onditions sont la réalisationde
diérentestâhes motriesouognitives(bougerlesdoigtsde lamaindroite,
omparaison d'objets...) ouenoreune ondition nulle(de ontrle).Par
exemple, lorsd'uneexpériene sur lavisiondes ouleurs, onpeutalternerla
présentation d'une image en niveaux de gris (ondition A), la présentation
d'une image en ouleurs (ondition B) ou une ondition C de repos (ondi-
tionnulle).Chaqueonditionpeutêtreprésentéeplusieursfoisauoursd'une
session, etdurantun tempsplus ou moinslong; par exemple laondition A
peut être présentée pendant 5 seondes, puis la B pendant 3 seondes, la C
pendant 10 seondes, ensuite la B pendant 7 seondes, et. La desription
des intervallesdetempsdurantlesquelshaque onditionestativeonstitue
le design de l'expériene.
L'analyse fontionnelle des données issues de l'expériene onsiste alors
en la déterminationdes zones du erveau ativées lorsde haune des dié-
rentesonditions,etlaomparaisondesativationsorrespondantauxondi-
Fig. 2: Les données IRMf sont en quatre dimensions : la zone étudiée est
déoupée en petits ubes (d'environ 3 millimètres de té) appelés voxels;
en haque voxel on dispose d'un déours temporel (à droite) représentant
l'évolutiondu signal BOLD mesuréau oursdu temps.
ouleurs, on peut vouloir déterminer les zones impliquées dans la vision en
général (onditions A et B ontre ondition C) ou les zones atives dans la
vision des ouleurs (ondition A ontre B).
Ces expérienes permettent d'améliorerla ompréhension du fontionne-
mentdu erveau; ellesont égalementdes appliationsliniques,tellesquela
délimitation des aires visuelles ou motries pour préparer une intervention
hirurgiale.
1.4 Problèmesposés parletraitement desdonnées IRMf
1.4.1 Quantité de données à traiter
De part leur nature quadri-dimensionnelle, les données reueillies lors
d'une expériene d'IRMf sont relativement volumineuses. A titre d'exemple
réaliste,onsidéronsune sessionde 360 seondes omportantune aquisition
toutes les3 seondes, etune zone d'aquisition étantun pavé de dimensions
20 m, 20m et 10 m, ainsi qu'une résolution spatiale de 3 millimètres;si
l'on suppose que lesmesures sontstokées sous formede oat (2 otets),les
données àtraiter, pour un seul sujet, ont une taillede
360 × 200 × 200 × 100
3 × 3 × 3 × 3 × 2 ≈ 34
Mo.Cettetailleestàmultiplierparlenombredesujets,uneétudeognitiveétant
rarement menée sur un seul sujet.
L'importane du volume des données impose l'utilisation de tehniques
spéiques pour eetuer letraitementdes données.
1.4.2 Bruit
Le signal reueilli en IRM est bruité de manière importante, les soures
de bruit inluant:
lebruitgénéréparlamahine(bruitthermique,manqued'homogénéité
de l'aimantproduisantle hamp magnétique...);
le bruit physiologique,dû auxartefats ardio-respiratoires;
lebruitognitif,dûauxsouresde distrationdupatientdurant
l'expériene (stimuliindésirables,endormissement du patient...);
A signaler également, même s'ils ne sont pas à lasser dans les bruits ,
lesartefatsgénérés parlespré-traitementsappliquéssur lesdonnéesbrutes,
tels que:slieorretion (orretiondu faitquelesdiérentesoupesnesont
pas aquisesaumêmemoment)oulaorretiondes mouvementsdu patient.
L'auxsanguinproduitunevariationdusignalIRMmesurémaiselle-i
est relativement faible (de l'ordre de 1 à 2%) par rapport ausignal mesuré
aurepos(sansauxsanguin).End'autrestermeslaprésenedemoléules
d'oxyhémoglobine dûe à une ativation spéique ontribue peu au signal
observé.
1.4.4 Filtrage du signal
Lors de l'ativation d'un neurone,le débitsanguinne passepas brusque-
ment du niveau zéro au niveau maximal, mais augmente progressivement;
un délai d'environ 5 à 6 seondes est néessaire pour qu'il atteigne le ni-
veau maximal. De même, lors d'une désativation, le débit met un temps
importantà redesendre auniveau de repos.
Dans un voxel ativé par une ondition donnée, lesignal BOLD attendu
est donlaonvolutiondelafontionindiatriedelaonditionaveunltre
appeléfontion de réponse hémodynamique (HRF).
La fontion de réponse hémodynamique n'est pas onnue; de plus elle
varie selon les individus, et suivant la zone du erveau, au sein d'un même
individu. Cependant elle reste toujours, pour un sujet adulte et en bonne
santé, relativementprohe de laHRFanoniqueprésentée enFigure3.Pour
des sujets très jeunes oupathologiques (par exemple les patients ayant subi
un aident vasulaireérébral, oueux sourantd'épilepsie), lafontion de
réponse hémodynamique peut être assez éloignée de ette HRFanonique.
Pour plus de généralités sur les signaux IRMf, on pourra se reporter à
l'ouvrage [13℄.
0 0.2 0.4 0.6 0.8 1
0 10 20 30 40 50 60
(a)Fontion indiatried'uneonditionexpérimentale.
-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6
0 5 10 15 20 25 30
(b)Fontionderéponsehémodynamique.
()SignalBOLDattendudansunezoneativéeparetteondi-
tion.
Fig. 3
2.1 Modélisation du signal (GLM)
Le signal IRM mesuré est modélisé par une olletion de veteurs
y i = (y i1 , . . . , y iT )
,i = 1, . . . , J
(oùJ
est le nombre de voxels omposant l'imagetraitée et
T
la durée de l'expériene), vériant l'équation suivante, appelée GLM pour GeneralLinear Model :∀ i = 1, . . . , J y i = X M m=1
a im (x m ⋆ h) + n i 1 + ǫ i
(1)où :
l'indie
m
désigne une des onditions expérimentales, etM
désigne lenombre de es onditions;
le réel
a im
est leniveau de réponse du voxeli
àla onditionm
;leveteur
x m
est leveteurbinaireindiateur des instantsoùlaondi-tion
m
est ativée (onsets) :x m,t = 1
si 'est le as à l'instantt
, etx m,t = 0
sinon;leveteur
h
est un éhantillonagede lafontionde réponsehémodyna- mique, de sortequelaonvolutionx m ⋆ h
ontiennelaréponseatten-dueillustréeenFigure3;ilestànoterquelapérioded'éhantillonage
de
h
peut être inférieure au temps de répétition TR, an d'améliorer le alagedes onsets qui ne sont pas forémentdes multiplesdu TR;le veteur
1
est leveteur de dimensionT
ne ontenantque des 1,n i 1
représente don la omposante ontinue du signal, qui n'est dûe
à auune des onditions prévues dans l'expériene; ertains modèles
inluent de la même manière des omposantes basses fréquenes
(drifts) dûes aux mouvements lents du patient, aux artefats ardio-
vasulaires, àla respiration, ainsi qu'aux dérivesde l'appareild'aqui-
sition (f. [14℄, hapitre 2,4.3).
le veteur
ǫ i
est leveteur des résidus; le modèle le plus simple (bruitblan gaussien) suppose
(ǫ i ) i=1,...,J
indépendants, suivant une loi nor- maleN (0, σ 2 I T )
(oùI T
désigne la matrie identitéT × T
); ette hy-pothèse, peu réaliste, est souvent remplaée par elle d'une olletion
(ǫ i ) i=1,...,T
de séries hronologiques indépendantes suivant haune un modèle AR(1)gaussien (f [26℄).L'équation 1peut s'interpréter omme une régression linéairemultiple :
y i = X e a i + ǫ i
où
y i
estlavariableexpliquéeetlamatrieX
,supposéedepleinrang(M +1
),la matriedes variablesexpliatives :
X =
(x 1 ⋆ h) | (x 2 ⋆ h) | . . . | 1
et
e a i
est le veteur ontenant les paramètrese a i =
a i1
a i2
.
.
.
a im
n i
Lorsque
X
est onnue, es paramètres peuvent être estimés par la méthodedes moindres arrés :
e a b i = (X T X) −1 X T y i
σ b 2 = P
i
y i − X e a b i
2 T − (M + 1) − 1
2.2 Contrastes entre onditions
La déterminationdes zones ativées par une ondition expérimentale en
omparaison d'une autre sefait en alulant pour haque voxel l'eet
b
γ i = c T a b i
où
a i = (a i1 , . . . , a im ) T
etc
est le veteur des ontrastes, qui indique lesonditions expérimentales que l'on veut omparer. Par exemple si l'on sou-
haiteomparerleszonesativéesparlaondition1parrapportàlaondition
3, on prendra
c = (1, 0, − 1)
;pour omparer la ondition 1 ave lamoyennedes onditions 2et 3,on hoisira
c = ( − 1, 0.5, 0.5)
.2.3 Approhe standard par tests
Une fois l'eet
γ b i
alulé (phase d'estimation), il reste à déterminer si elui-ieststatistiquementsigniatifounon(phasede détetion).Pourelaon utilise un test statistique, visant à omparer l'hypothèse nullele voxel
n'est pas ativé ontre l'hypothèse levoxel est ativé.
t
-statistique:t j = γ b i b
σ p
c T (X T X) −1 c
qui,sous l'hypothèsenulle, suituneloide Student à
M + 1
degrésde libertés(f. [6℄, hapitre7).
Les statistiques
t j
étant alulées pour haque voxel, on obtient uneSPM (statistial parameter map) qui donne le niveau de signiativité
du ontraste mesuré dans haque voxel.Il fautalors hoisir une valeur seuil
en dessousde laquelle un voxel est onsidéré omme non signiatif.
Le hoix de ette valeur seuil est rendu diile par le fait que des tests
multiples sont eetués. En eet supposons que nous utilisions sur haque
voxel un test possédant un risque de première espèe (faux-positif)
α
; sinous eetuons e test
n
fois le nombre moyen de faux-positifs détetés sera denα
. Par exemple supposonsα = 0.05
etn = 10 4
(nombre réaliste devoxels dansune image),ily aura en moyenne 50faux-positifsdétetés. Pour
résoudre eproblème,uneorretionpossibleestlaorretiondeBonferroni,
qui néessite d'utiliser un test ave un risque de première espèe
α/n
pourobtenirunniveaude risqueglobalmajorépar
α
,ettebornepouvantêtreatteintedans leas oùlestests sont indépendants.Cette orretion est trop
onservative dans le as qui nous intéresse ar les tests sont loin d'être
indépendants : lesativations ontlieu dans des zones ontigües de plusieurs
voxels, et lerésultat d'un test sur un voxel est très orréléave les résultats
destestssurlesvoxelsvoisins.Pourteniromptedeettedépendane,ondoit
abandonnerlestestsvoxelparvoxeletonsidérerlaSPMdanssonensemble,
en la modélisant omme un hamp gaussien (gaussian random eld, GRF);
f. [6℄, hapitre14.
Pour plus de généralités sur l'approhe GLM, on pourra se reporter à
l'ouvrage [13℄.
2.4 Lissage spatial
Préalablement à l'estimation des paramètres dans l'équation 1, on ap-
pliquegénéralementunlissagede l'image,and'augmenterlerapportsignal-
sur-bruit (SNR), auprix d'une détériorationde la résolution spatiale.
Uneméthode de lissagelassique est laonvolutionave une gaussienne;
ependant ils existe d'autres lissages dits adaptatifs, qui tiennent mieux
ompte des ontours de l'image, tels que l'algorithme PS (propagation-sé-
paration), f. [20℄ et [19℄.
Parrapportàl'approhe lassiqueévoquée i-dessus, uneapprohe bayé-
sienne présente lesavantages suivants:
une gestion élégante des inertitudes : en partiulier une analyse
bayésienne donne une distribution a posteriori qui possède une inter-
prétation intuitive (à omparer ave l'interprétation plus déliate des
niveaux de risques dans lestests et des intervalles de onane en sta-
tistique lassique);
unadrethéoriquebienadaptépourintégrerdesonnaissanes apriori
(par exemple anato-fontionnelles)onernant le signalà traiter,amé-
liorantla préisiondes résultats fournis;
des méthodes de hoixde modèles (Bayes fator).
Pourplus d'informationssur l'apportdesméthodesbayésiennes en IRMf,on
pourraonsulter [24℄.
Dans une approhe bayésienne, on onsidère les paramètres
Θ = (θ i ) i
omme des variables aléatoires, dont onspéie la loi
p(Θ)
, qui modélise laonnaissanesur lesparamètresquel'onaavantd'observerlesdonnées, d'où
son nom de loi apriori. On spéie également une vraisemblane
p((y k ) k | Θ)
qui modélise leomportementdes données une fois les paramètresonnus.
L'inférene bayésienne onsiste à aluler (ou, tout au moins, onnaître
ertainesaratéristiques,ommele(s)mode(s),lamoyenne,lavariane,...)
la distribution a posteriori
p(Θ | (y k ) k )
, qui dérit la onnaissane que l'on asur lesparamètresune foisque l'onaobservélesdonnées. Cettedistribution
est donnée par larègle de Bayes:
p(Θ | (y k ) k ) = p((y k ) k | Θ)p(Θ)
p((y k ) k ) = p((y k ) k | Θ)p(Θ)
R p((y k ) k | (θ i ) i )d((θ i ) i )
(2)Un modèle purement bayésien onsidère tous les paramètres omme des va-
riables aléatoireset leur donne une loia priori, mais un modèle peut tout à
fait ontinuer à traiter ertains paramètres omme de vrais paramètres,
sans leur donnerde loisa priori. Ces derniers paramètres sont alors estimés
de manièrelassique, par exemple par maximum de vraisemblane.
Un inonvénient des méthodes bayésiennes est que l'intégrale gurant
dans (2)est souventinalulableanalytiquement,etun alulnumériqueap-
prohé est souventinfaisable,omptetenude ladimensionde etteintégrale
(quiest égale auxnombrede paramètres). Laloia posteriori est dans e as
onnue à une onstante multipliative près, et il faut alors avoir reours à
des méthodes partiulières, dont ertaines seront déritesen setion2.5.2.
Lesignalmesuré en IRMfest très orréléspatialement,puisque leszones
ativées s'étendent sur plusieurs voxels. Tenir ompte de ette dépendane
spatialepermetd'amélioreronsidérablementladétetion etl'estimationdes
ativations. Dans ette partie, nous dérivons une manière de tenir ompte
de ladépendane spatiale entre les voxels.
Champs de Markov et lois de Gibbs. Soit
V
un ensemble (ni) depoints appelés sites. On se donne un graphe
G
non orienté, sans boule,dont lessommets sont leséléments de
V
.Pour un sitev ∈ V
,on noteN (v)
l'ensembledes voisins de
v
,'est àdirel'ensembledes sitesreliés àv
par unearête de
G
. CommeG
n'apas de boule,un sommetne peut être sonproprevoisin.
Une olletion
(Z v ) v∈V
de variables aléatoires est un hamp de Markovsur
G
sila loionditionnelledeZ v
sahantZ v ′
pourv ′ 6 = v
est égale à la loionditionnelle de
Z v
sahantZ v ′
pourv ′ ∈ N (v)
. Le grapheG
donne donl'informationsur lesinterations possibles entre lesvariables
(Z v )
.Uneloi de Gibbs sur
G
est une loidontla densitése fatorisesuivantlesliques de
G
,i.e. une loidont ladensitép
est de la forme:p(z 1 , . . . , z |V | ) ∝ Y
C∈C(G)
V C (z v ; v ∈ C)
(3)oùonanoté
C (G)
l'ensembledes liques deG
, unelique étantun ensemblemaximal de sites deux à deux voisins. Lesfontions
V C
sontappelées poten-tiels de Gibbs.
Ilest failede vérier quesi
(Z v ) v
suit uneloide GibbssurG
,alors 'estun hamp de Markov sur
G
. Laréiproqueest égalementvraie, si ladensitéde laloide
(Z v ) v
est stritementpositive(théorèmede Hammersley-Cliord, f. [3℄, [1℄).Modèle de Potts Un exemple important de loi de Gibbs est donné par
le modèle de Potts dans lequel toutes lesliques sont d'ordre2 etoù haque
variablepeut prendre un nombre ni de valeurs appelées lasses et oùpour
haque lique
C = { v, v ′ }
, supposée d'ordreau plus égal à 2, lepotentiel deGibbs est donnépar
V C (z v , z v ′ ) = exp( − 2βδ(z v , z v ′ ))
(4)soit enore
p((z v ) v ) ∝ exp
− β X
v
X
v ′ ∈N (v)
δ(z v , z v ′ )
(5)où
δ
désigne le omplémentaire du symbole de Kroneker :δ(x, y) = 0
six = y
etδ(x, y) = 1
sinon, etβ > 0
est un oeient rendant ompte de laforedesinterationsentrelesdiérentssites.Dansemodèle,deuxvariables
voisines ontune probabilitéd'êtreégales d'autantplus importanteque
β
estgrand.
Modèle auto-gaussien Un autre exemple de loi de Gibbs, toujours ave
des liques d'ordre 2, mais ave ette fois-i des variables ontinues, est le
modèle auto-gaussien, oùlaloi onjointedes
(Z v ) v
est :p((z v ) v ) ∝ exp
− β X
v
X
v ′ ∈N (v)
(z v − z v ′ ) 2
(6)Le oeient
β > 0
est toujours un oeient traduisant la forede l'inter-ation entre deux variablesvoisines.
Modélisation de l'interation spatiale entre les voxels. Lors du
traitement bayésien d'uneimage IRMf,un modèle de Potts peut être utilisé
omme a priori régularisantde lamanièresuivante: lessommetsdu graphe
dedépendanesontlesvoxelseux-mêmes,leslassessont{ativé,nonativé}
etlesvoisinsd'unvoxelsontses6voisinsausensphysique(enhaut,enbas,à
gauhe, àdroite,en avant,en arrière).L'équation(5)rendalorsbienompte
du fait que siun voxel est ativé (resp.non ativé), alorsses voisins ont une
probabilité importanted'être ativés (resp. non ativés). Ce modèle permet
dond'eetuersimultanémentlalassiationdesvoxelsetlarégularisation
spatiale. Nousutilisons e modèle dans nos deux premières approhes.
Notre troisième approhe ne lassie pas les voxels, mais impose une
régularisation spatiale diretement au travers du prior auto-gaussien utilisé
sur les niveaux de réponse
a im
, ave le même graphe de dépendene quei-dessus.
2.5.2 Inférene
Dansettepartienousprésentonsquelques méthodesd'inféreneutilisées
pour obtenirdes informationssur une loi a posteriori
Θ | y
(Θ
est l'ensembledesparamètreset
y
sontlesdonnéesobservées),dontladensitéestonnue seulementàuneonstantemultipliativeprès,ainsiquedéritdanslasetion2.5.
Monte-Carlo onsistent en la simulation d'un éhantillon de la loi a poste-
riori, puis du alul des aratéristiques de ette loi (moyenne, variane,
histogramme...) à partir de l'éhantillon simulé.
L'algorithme utilisé pour la simulation de l'éhantillon est l'algorithme
de Metropolis-Hastings (f. [7℄), dont l'éhantillonnage de Gibbs est un as
partiulier. Cet algorithme onstruit, à partir de la donnée d'une loi dont
la densité est onnue à une onstante près, une haîne de Markov dont la
distribution stationnaire est laloi à simuler.
Les méthodes de Monte-Carlo donnent de bonnes approximations, sont
bien justiées théoriquement et donnent aès à toutes les aratéristiques
des loismais demandent des tempsde alul généralementassez longs.
Iterated Conditional Modes (ICM) L'algorithme ICM (f. [2℄) peut
êtreutilisépourdéterminerlemoded'uneloijointe
p(x 1 , x 2 , . . . , x n )
quin'estpasmaximisablediretement,maisdontlesloisonditionnelles
p(x i | x j , i 6 = j)
le sont.
Leprinipede l'algorithme est le suivant :
Initialiser
x 1 , . . . , x n
;Tant quenon onvergé faire :
Pour
i
entre 1etn
faire :Mettreà jour
x i
selonx i ← arg max e x i p( x e i | x j , j 6 = i)
;L'algorithmeICMestplusrapidequelaméthodeMCMCmaisilnedonne
pasaèsàtoutel'informationsurlaloiaposteriori;deplusilestseulement
onvergent vers un maximumloalde lavraisemblane(lavraisemblane ne
faisant qu'augmenter à haque étape), et est don assez sensible à l'initiali-
sation de l'algorithme.
Notre première approhe utilise ette méthode d'inférene.
Approhes variationnelles,variational EM Dansune approhe varia-
tionnelle, la loi a posteriori
p(Θ | y)
est approximée par une autre loiq(Θ)
;plus préisément nous imposons laformede laloi
q
, ette loidépendantde paramètresquisontdéterminésenherhantàminimiserladivergene de
Kullbak-Leibler
KL = E q
ln q(Θ) p(Θ | y)
,
quiestunemanièrede quantierladistaneentre lesdeuxlois
q
etp(. | y)
.L'approhe EM variationnelle (f. [11℄ ou [22℄), basée sur une version
fontionnellede l'algorithmeEM,appliquee prinipeen remplaçantlaloia
permettant d'obtenir à la fois une approximation de la loi des paramètres a
posteriori, et d'estimer les paramètres non bayésiens par maximum de vrai-
semblane.
Les méthodes EM variationnelles sont déjà utilisées dans ertaines ap-
prohes de traitement des données issues d'IRM fontionnelles (f. [18℄).
Nousutiliseronsuneméthodevariationnelledansnotreseondeapprohe.
2.6 Modélisation et estimation de la HRF
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:
h(t) = t
d 1
a 1
exp
− t − d 1
b 1
− c t
d 2
a 2
exp
− t − d 2
b 2
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, pouraméliorerl'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℄, etteder-
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(peu réa-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 nous éhan-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:X m =
1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1
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
i
p(y i | a i , h) Y
m
p(a im | z im )
!
× p(h) × Y
m
p((z ·m ))
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 ∼
Gamma
(α 1m , β 1m )
siz im = 1
OppGamma
(α −1m , β −1m )
siz im = − 1
Normale
(0, σ 2 0m )
siz im = 0
où Gamma
(α, β)
est une loi de densitég α , β (x) = β α
Γ(α) x α−1 e −βx 1 R +
etoùune variable
X
estditesuivre uneloiOppGamma(α, β )
si− X
suit uneloi Gamma
(α, β)
.Laloi a priori sur les
(z im ) i
est elle d'un modèle de Potts (f 2.5.1) surl'ensemble des voxels :
p((z im ) i ) ∝ exp
− β 1
X J i=1
X
j∈N(i)
δ(z im − z jm )
où
β 1 > 0
est un oeient à dénir par l'utilisateur; la famille(z im ) m
estsupposée 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 =
0 0 0 0 · · · 0 1 − 2 1 0 · · · 0 0 1 − 2 1 · · · 0 0 0
... ... ... ...0 0 · · · 1 − 2 1 0 0 · · · 0 0 0
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 seonde im-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
h
(f.i-après).3.2 Estimation des paramètres
Lemodèle dérit préédemmentomprend plusieurs paramètres,estimés
de manièrelassique (sans loia priori):
n i
estestimédemanièreàequelesrésidusǫ i
aientunemoyennenulle;soit:
b n i = 1
T X T
t=1
y it − X M m=1
a im (X m h) t
!
σ e 2
est estimée par maximum de vraisemblane:σ b e 2 = 1 T × J
X J j=1
X T t=1
(y it − n b i ) 2
(nousn'appliquonspasdeorretiondubiaisarelle-iestnégligeable
ompte tenu des ordresde grandeurs de
T
etJ
).
σ 0m 2
également :σ d 0m 2 = 1 N 0
X
i|z im =0
a 2 im
où
N 0 =
Card{ i | z im = 0 }
.Les paramètres
α ±1m
etβ ±1m
sont estimés en utilisant lesestimateurs de Thompour uneloiGamma(f.[10℄),quis'exprimentainsi,pour unéhantillon de moyenne arithmétique
m a
et de moyenne géométriquem g
:
α ′ = 1
4R 1 + r
1 + 4 3 R
!
b
α = α ′ + κ β b = α b
µ
ave
R = ln(m a ) − ln(m g )
et
κ =
0
siα ′ < 0.9
0.0092 + α ′ − 1
24 − 96α ′
sinon.3.3 Inférene ICM
3.3.1 Algorithme d'inférene
Nous utilisons des itérations ICM, la mise à jour d'un paramètre
θ ∈ { a, h, z }
sefaisantenmaximisant(lelogarithmede)p(θ | y,
autresparamètres)
et en itérantsur leparamètre
θ
àmettre àjour.3.3.2 Mise à jour de
h
Leveteur
h
est hoisi de façonà maximiserln(p(h | y, a))
;or:ln p(h | y, a) =
Cste+ − 1
2σ 2 e
X
i
y i − X
m
a im X m
!
h − n i 1
2
− β 2 h T Sh
=
Cste+ − 1 2σ 2 e
X
i
|| c i − M i h || 2
!
− β 2 h T Sh
ave
M i = P
m a im X m
c i = y i − n i 1 = ǫ i + M i h
On a:
X
i
|| c i − M i h || 2 =
Cste+ h T X
i
M i T M i
!
h − 2h T X
i
M i T c i
ln p(h | y, a) =
Cste+ − 1
2σ e 2 h T X
i
M i T M i
!
h + 1
σ e 2 h T X
i
M i T c i − β 2 h T Sh
=
Cste+ h T
"
− 1 2σ e 2
X
i
M i T M i − β 2 S
#
h + h T
"
1 σ e 2
X
i
M i T c i
#
=
Cste+ h T Qh + h T v
en posant:
( Q = 2σ −1 2 e
P
i M i T M i − β 2 S
, matriesymétrique dénie négativev = σ 1 2
e
P
i M i T c i
Nousvoulonsdonmaximiser
h T Qh+h T v
parrapportàh
,souslesontraintesh 1 = e T 1 h = 0
(le symboleT
désignant la transposée) eth D = e T D h = 0
. Lethéorème des multipliateursde Lagrange donneune ondition néessaire, à
savoir l'existene de réels
µ
etν
tels que2Qh + v + µe 1 + νe D = 0
(8)En faisantle produit salairede l'équation(8)ave leveteur
e 1
ontrouve:2e T 1 Qh + e T 1 v + µ = 0
(9)soit
µ = − (2e T 1 Qh + e T 1 v )
(10)De même, en faisantle produit salairede (8) ave
e D
ontrouve :ν = − (2e T D Qh + e T D v)
(11)Les équations(linéaires)nous donnantla mise àjour de
h
sont don :
h 1 = 0
h D = 0
2Qh + v − (2e T 1 Qh + e T 1 v )e 1 − (2e T D Qh + e T D v)e D = 0
(12)
Une fois
h
alulé en résolvant e système linéaire, il est lissé à l'aide d'unltre gaussien. Plus préisément
h
est remplaé parGh
, oùG
est la matriedénie par :
G i,j = exp
(i − j) 2 BW
où
BW > 0
est un paramètre qui ontrle la largeur de la gaussienneutilisée pour ltrer; plus
BW
est grand,plus le lissage est important.Enn
h
est normalisé, 'est à dire qu'ilest remplaé 2 par1
|| h || ℓ 2
h.
Nousavons onstaté qu'en estimant
h
de ettemanière,nous obtenons quel-quefoisl'opposéde laHRFréelle;'estuneetdûauproblèmed'identiabi-
litéquenousavonsmentionnéen2.6.Pourréglereproblème,nousalulons
la valeur moyenne de
h
; si elle-i est négative 'est que nous avons trouvél'opposé de laHRF réelleet
h
est alors remplaé par− h
.3.3.3 Mise à jour de
a
Pour maximiser
p(a | z, h, y)
, il sut, par indépendane des(a im ) m
, demaximiser
p(a i | z, h, y)
pour haquei
xé.Or
ln(p(a i | z, h, y) =
Cste+ ln(p(a i | z i )) + ln(p(y i | a i , h))
=
Cste+ − 1 2σ 2 e c i −
X M m=1
a im X m h
2
+ X
m/z im =1
(α 1m − 1) ln a im − β 1m a im
+ X
m/z im =−1
(α −1m − 1) ln( − a im ) + β −1m a im
+ X
m/z im =0
− 1 2σ 0m 2 a 2 im
ave
c i = y i − n i 1
Avantde dériver
ln(p(a i | z i , h, y i ))
par rapportàa im
eetuons un alulpré-2
La ontrainte
h T h = 1
peut également s'intégrer dans les ontraintes du problème d'optimisation,maiselaonduitàunsystèmenonlinéaire.c i − X
m
a im X m h
2
= || c i || 2 − 2 X
m
a im < X m h, c i > +
X
m
a im X m h
2
=
Cste− 2 X
m
a im < X m h, c i > + X
m
a 2 im || X m h || 2
+ X
m
X
n6=m
a im a in < X m h, X n h >
La ondition du premier ordre pour un extremum de
ln p(a i | z i , h, y i )
s'éritdon :
0 = 1
σ e 2 < X m h, c i > − 1
σ e 2 a im || X m h || 2 − 1 σ 2 e
X
n6=m
a in < X m h, X n h > +T im
ave
T im =
α 1m − 1
a im − β 1m
siz im = 1 α −1m − 1
a im
+ β −1m
siz im = − 1
− 1
σ 0m 2 a im
siz im = 0
et e quelque soit
m = 1, . . . , M
.Laonditiondupremierordresereformuledonsouslaformed'uneéqua-
tion
Φ(a i ) = 0
aveΦ : R M → R M
. Cette équation vetorielle non linéairepeutserésoudrenumériquementave laméthode deNewton;pourappliquer
ette méthode nousdevons alulerlamatriejaobienne de l'appliation
Φ
.Les oeients
d mn
de ette matries'érivent :d mm = ∂ Φ m
∂a im
= − 1
σ 2 e || X m h || 2 +
− α 1m − 1
a 2 im
siz im = 1
− α −1m − 1
a 2 im
siz im = − 1
− 1
σ 2 0m
siz im = 0
et, si
m 6 = n
:d mn = ∂Φ m
∂a in
= − 1
σ e 2 < X m h, X n h >
L'itérationde Newton est initialiséeave la valeurde
(a i )
avantmise àjour.3.3.4 Mise à jour de
z
Lamise à jour de
z im
se fait enorepar ICM :z im = arg max
g z im ∈{±1,0}
ln p z f im | a, (z jm ) j∈N (i)
soit :
z im = arg max
g z im ∈{±1,0}
ln (p(a im | z f im )) − β 1 X
j∈N (i)
δ( z f im , z jm )
(13)L'argmax est alulé en alulant la fontion objetif pour les trois valeurs
possibles de
z f im
et en onservant la valeur donnant la plus grande valeur àl'objetif.
Nousretrouvons laremarque faitedans [2℄, partie 3, àsavoirque l'équa-
tion (13) réalise un ompromis entre d'une part l'adaptation aux données
(pour lepremier terme), etd'autre part, l'homogénéitéspatiale de la lassi-
ationgéréepar leseondterme.Pour
β 1 = 0
onretrouveunelassiationsans auune homogénéité imposée a priori; lorsque
β 1 → + ∞
on retrouveun vote àla majorité des voisins.
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
A i =
a i1
.
.
.
a iM
vérie don l'équation
M i A i = C i
en notant
C i
le veteur des ovarianesC i =
Cov(y i , X 1 h)
.
.
.
Cov(y i , X M h)
et
M i
lamatrie de variane-ovarianeM i =
Var(X 1 h) Cov(X 1 h, X 2 h) · · · Cov(X 1 h, X M h) Cov(X 2 h, X 1 h) Var(X 2 h) · · · Cov(X 2 h, X M h)
.
.
.
.
.
.
.
.
.
.
.
.
Cov(X M h, X 1 h) · · · Cov(X M h, X M −1 h) Var(X M h)
De mêmele veteurdes orrélations
A ′ i =
Corr(y i , X 1 h)
.
.
.
Corr(y i , X M h)
vérie
M i ′ A ′ i = C i ′
ave
C i ′ =
Corr(y i , X 1 h)
.
.
.
Corr(y i , X M h)
et
M i ′ =
1 Corr(X 1 h, X 2 h) · · · Corr(X 1 h, X M h) Corr(X 2 h, X 1 h) 1 · · · Corr(X 2 h, X M h)
.
.
.
.
.
.
.
.
.
.
.
.
Corr(X M h, X 1 h) · · · Corr(X M h, X M−1 h) 1
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
.
.
. .
.
.