Inférence d'un modèle du cerveau à partir de données de neuroimagerie fonctionnelle issues de plusieurs protocoles. – BrainPedia

Les chercheurs en neuroimagerie fonctionnelle utilisent essentiellement les coordonnées volumiques des activations pour formuler et communiquer leurs hypothèses. Nous proposons d'utiliser plutôt la totalité des images d'activation pour définir des régions d«intérêt. Nous avons utilisé différentes techniques d'apprentissage, le transfert d'apprentissage, le transfert de sélection, et l'apprentissage multi-label pour associer des images à des concepts cognitifs.
Nous avons quantifié la performance de ces différentes approches pour les comparer; nous avons trouvé que le transfert de sélection fonctionne mieux que le transfert de sélection permet de mettre en évidence des régions d'intérêt qui correspondent mieux à la connaissance du domaine que le transfert d'apprentissage. Par exemple, le transfert de sélection segmente des régions bien connues telles que l'aire de la reconnaissance de mots pour discriminer différentes tâches visuelles.
En revanche, le problème dans son entièreté doit être abordé à l'aide de techniques multi-label qui permettent d'associer plusieurs labels non exclusifs à une image.

1. Nous avons réussi à effectuer l'analyse non-supervisée d'un grand ensemble de cartes d'activations à partir d'une nouvelle technique d'analyse en composante principale parcimonieuse en ligne; à l'aide de cette technique, nous avons obtenu un des premiers atlas fonctionnels directement associé à des données multi-contraste et multi-sujets. Cette technique passe à l'échelle sur des jeux de données très vastes.
2. Nous avons effectué les premières méta-analyses basées surdes images qui tentent et parviennent à généraliser des résultats à travers différents sites d'acquisitions de données: nous avonc montré que certaines caractéristiques des conditions expérimentales utilisées en IRMf peuvent être inférées des données de la base OpenfMRI vers neurospin et vice-versa.
3. Nous avons amélioré les performances de l'état de l'art sur le problème difficile qui consiste à reconstituer les motifs discriminants entre différentes conditions expérimentales en IRMf, en introduisant et en améliorant la régularisation l1-TV dans ce problème inverse.

Le projet BrainPedia va certainement bénéficier des interactions avec d'autres projets et initiatives: le projet OpendfMRI, qui est le premier à proposer librement de sjeux de données d'IRMf, le projet CogPo, qui met au point une ontologie de concepts appropriés pour décrire les expériences en neuroimagerie fonctionnelle, et le projet Neurovault, dont l'interface permet à des neurscientifiques de charger des images représentant les résultats des expériences qu'ils ont effectuées.
Une autre perspective importante est celle du Human Brain Project, dans lequel nous sommes responsable de la tâche 2.1.2, qui va fournir des données abondantes et maîtrisées pour compléter la base de données avec beaucoup de données de bonne qualité.

Nous avons produit essentiellement des publications:
[1] Alexandre Gramfort, Bertrand Thirion, and Gaël Varoquaux. Identifying predictive regions from fMRI with TV-L1 prior. In Pattern Recognition in Neuroimaging (PRNI), Philadelphia, Etats-Unis, June 2013. IEEE.
[2] Yannick Schwartz, Bertrand Thirion, and Ga ël Varoquaux. Mapping cognitive ontologies to and from the brain. In Advances in Neural Information Processing Systems, Lake Tahoe, Nevada, December 2013. John Lafferty.
[3] Yannick Schwartz, Gaël Varoquaux, Christophe Pallier, Philippe Pinel, Jean-Baptiste Poline, and Bertrand Thirion. Improving accuracy and power with transfer learning using a meta-analytic database. In Medical Image Computing and Computer-Assisted Intervention - MICCAI 2012, pages 1–8, Nice, France, October 2012.
[4] Yannick Schwartz, Gaël Varoquaux, and Bertrand Thirion. On spatial selectivity and prediction across conditions with fMRI. In 2012 Second International Workshop on Pattern Recognition in NeuroImaging, pages 53–56, London, Royaume-Uni, July 2012.
[5] Alan Tucholka, Virgile Fritsch, Jean-Baptiste Poline, and Bertrand Thirion. An empirical comparison of surface-based and volume-based group studies in neuroimaging. NeuroImage, 63(3) :1443–53, November 2012.
[6] Gaël Varoquaux, Yannick Schwartz, Philippe Pinel, and Bertrand Thirion. Cohort-level brain mapping : learning cognitive atoms to single out specialized regions. In Kilian M. Pohl William M. Wells, Sarang Joshi, editor, IPMI - Information Processing in Medical Imaging - 2013, volume 7917, pages 438–449, Asilomar, Etats-Unis, July 2013. William M. Wells, Sarang Joshi, Kilian M. Pohl, Springer.

La neuroimagerie produit des quantités considérables de données qui sont utilisées pour mieux comprendre les relations entre la structure et les fonctions cérébrales. Alors que l'acquisition et l'analyse des données sont de plus en plus standardisées, il manque à la communauté de la neuroimagerie des outils appropriés pour stocker et organiser la connaissance relative aux données. Tirant partie de systèmes de coordonnées communs pour représenter les résultats des analyses de groupe, les méta-analyses basées sur les coordonnées et associées à des dépôts de publications de neuroimagerie n'offrent qu'une solution faible à ce problème, attendu qu'elles ne fournissent pas des information fiables et qu'elles perdent la plus grande partie des informations relatives aux données [1]. Dans ce projet , nous proposons de résoudre ce problème dans un cadre statistique rigoureux, afin de fournir des informations pour guider la connaissance et la recherche en neurosciences.

Un défi essentiel dans ce travail est que la variabilité inter-individuelle anatomique et fonctionnelle limite crucialement la résolution spatiale qui peut être obtenue par ce type d'inférence, et finalement compromet la spécificité spatiale des résultats des analyses de groupe. Il y a deux aspects dans ce problème:
i) Une variabilité spatiale importante demeure après normalisation des données. A partir d'amers anatomiques ou fonctionnels, celle-ci a été estimée à environ 1cm dans la plupart des régions du cortex. Ce défaut résiduel de recalage ne vient pas seulement des limitations des procédures utilisées pour normaliser les données, et qui pourraient être améliorées, mais c'est aussi un effet de la variabilité intrinsèque de la forme du cortex, des plis du cerveau, de sa structure cellulaire et de son organisation fonctionnelle.
ii) Il est difficile de caractériser la spécificité fonctionnelle des différentes régions du cerveau, attendu que les régions d'intérêt ne sont pas seulement caractérisées par leurs coordonnées dans un espace commun, mais aussi par leur position relative à des points de repères anatomiques, leur étendue, ou leurs connections à d'autres régions.

Nous comptons aborder ce problème de représentation spatiale en construisant un modèle du cerveau -pas simplement une image- en utilisant des observations de protocoles fonctionnels multiples. En bref, nous envisageons de passer d'une représentation de l'anatomie et de la fonction cérébrale basée sur des images à un cadre structuré par des connaissances, qui va caractériser explicitement les structures du cerveau. Le résultat attendu de BrainPedia sera de lever des ambiguïtés sur les caractéristiques fonctionnelles du cerveau au niveau individuel et au niveau de la population à travers un modèle plus précis qui induira une nouvelle façon de gérer ces données à la fois pour les cogniticiens intéressés par un modèle général du cerveau et par des médecins qui effectuent des diagnostics individualisés.



[1] Salimi-Khorshidi, G., Smith, S. M., Keltner, J. R., Wager, T. D., and Nichols, T. E. (2009). Meta-analysis of neuroimaging data: a comparison of image-based and coordinate-based pooling of studies. Neuroimage , 45(3):810—823.