Analyse parcimonieuse des données d'IRM fonctionnelle dans un cadre bayésien variationnel
Résumé
Analysing functional Magnetic Resonance Imaging (fMRI) data is mainly done using the general linear model (GLM) in which the activation of a brain area is supposed to depend on all delivered stimuli (e.g. motor, visual, etc.) although activation is likely to be induced by only some of them in specific brain areas. Inclusion of irrelevant events may degrade the results, particularly when the Hemodynamic Response Function (HRF) is jointly estimated. In addition, a prior selection of relevant condition for each brain region is not always possible (e.g. pathology). To face this issue, we propose an efficient variational procedure that automatically selects the conditions according to the brain activity they elicit. It follows an improved activation detection and local HRF estimation that we illustrate on real fMRI data.
L'analyse des données d'Imagerie par Résonance Magnétique fonctionnelle (IRMf) est principalement effectuée à travers le modèle linéaire général (GLM) dans lequel l'activité d'une région cérébrale est supposée dépendre des différents types de stimuli (moteur, visuel, etc.) or la spécialisation fonctionnelle cérébrale indique que l'activation d'une région donnée n'est induite que par certains de ces stimuli. Inclure des conditions non pertinentes peut dégrader les résultats, en particulier quand la fonction de réponse hémodynamique (FRH) est conjointement estimée. De plus la sélection a priori des conditions pertinentes pour chaque région cérébrale n'est pas toujours possible (e.g. pathologie). Afin de faire face à ces difficultés, nous proposons une procédure variationnelle efficace permettant la sélection automatique des conditions selon l'activité cérébrale qu'elles suscitent. Une amélioration de la détection d'activation ainsi que de l'estimation de la FRH sont illustrées sur données réelles.