Traitement dImages pour lImagerie Fonctionnelle Cérébrale

Mdojat

Description

Les Inférences Statistiques
en IRMf
Michel DOJAT U594

Inférences Statistiques
Aspects Prétraitement
–
Réalignement
–
Correction Distorsions
–
Coregistering
–
Normalisation
–
Filtrage
Aspects Traitements Statistiques
–
Matrice d’expérience
–
Analyse du décours temporel des voxels
–
Tests d’Hypothèses (contraste)
–
Analyse de GroupesExpérimentation
Hypothèses
Expérience
Validation ?
IRMF
Effets
K facteurs
Mesure de
Valeurs de
Estimation
des K
d’influence
variable
la variable
statistique
facteurs
sur la variable
Y
Mesure du
signal BOLD
Images
Fonctionnelles
Modèle :
K1, …,Kn
α
, …,
α
1
n
Y
=Κ
α
+
…
+α
Κ
+
ε
1
1
n
n
•
facteur sujet
•
effet sujet
•
facteur stimulus
•
effet condition
•
facteur temps
•
effet temps
•
facteur performance
•
effet performance
•
facteurs physiologiques
•
effets physiologiques
•
....
•
...Statistique Classique
Carte d’activation cérébrale limitant :
•
l
es faux positifs
(
risque 1ère espèce
)
•
l
es faux négatifs
(
risque 2ème espèce
)
Tests Statistiques
(sous H0)
rejet
c
onserve
H0f
VP
FN
Sensitivité = VP/(VP+FN)
H0v
FP
VN
Spécificité = VN/(VN+FP)Exemple :
Dessin Expérimental (1)
1 sujet
12 p
t = 3.1s
t = 3.1s
Condition B
Condition A
Pure insertion
TR = 3.01
144 dynamiqu
es
28 coupes
d
e
5 mm
Voxe
l = 4 x 4 x 5Temps
Un modèle simple
=
β
+
β
+
1
2
ε
x
x
1
2
Niveau de gris
Y = X x
β
+
ε
ε
Analyse pilotée par
Une hypothèse
erreur


Exemple :
Plan d’ expériences (2)
1 sujet (S1)
2 conditions (A, B)
A,B : 4 ...

Sujets

• Statistique
• H2
• Modelé (géologie)
• Rhytidectomie
• Imagerie par résonance magnétique fonctionnelle
• Champs-sur-Yonne

Informations

• Publié par: Suwyag
• Nombre de lectures: 108
• Langue: Catalan
• Poids de l'ouvrage: 1 Mo

Extrait

Les Inférences Statistiques en IRMf Michel DOJAT U594

Inférences Statistiques ‹ Aspects Prétraitement –Réalignement –Correction Distorsions –Coregistering –Normalisation –Filtrage ‹ Aspects Traitements Statistiques –Matrice d’expérience –Analyse du décours temporel des voxels –Tests d’Hypothèses (contraste) –Analyse de Groupes

Expérimentation Hypothèses IRMF ExpérienceValidation ? K facteurs Mesure de Valeurs de Estimation Effets d’influence des K  sur la variable la variable variable statistique facteurs Mesure du Y signal BOLD Images Fonctionnelles Modèle : K1, …,Kn Y =Κα+ … +αΚ + ε α 1 , …, α n •facteur sujet 11 nn •effet sujet •facteur stimulus•effet condition •facteur temps •effet temps •facteur performance•effet performance •facteurs physiologiques •effets physiologiques •....•...

Statistique Classique Carte d’activation cérébrale limitant : •les faux positifs (risque 1ère espèce) •les faux négatifs (risque 2ème espèce) Tests Statistiques (sous H0) S S e p n é s c i i t f i i v c i i t t é é     = =     V V P N / / ( ( V V P N + + F F N P ) ) f0H tejer PV PFv0H conserve NF NV

Exemple : Dessin Expérimental (1) 1 sujet p 21 t = 3.1s Condition A t = 3.1s Condition B TR = 3.01144 dynamiques 28 coupes de 5 mmVoxel = 4 x 4 x 5 Pure insertion

 esèhtopyh enU rap eétolip esylanA  + β  x X = Y + 2 + β = β 1 ε Un modèle simple x 2 ε x 1Niveau de gris

onset „ „ „ s 0 21 42 63 84 06 27 48 69 Exemple : Plan d’ expériences (2) 1 sujet (S1) 2 conditions (A, B) A,B : 4 répétitions A X X X X X X X X B X X X X X X X X 1S X X X X X X X X X X X X X X X X X G =Matrice d’expérience colonnes = 4 lignes = (144) x1=144

MLG: Fondements (1) ‹ Les effets observés sur une variable (Voxel)mesurée sont une combinaison linéairedes facteurs d’influence ‹ Effets stationnaires ‹ Distribution gaussiennedu bruit (bruit = fluctuations non expliquées par les facteurs d’influence retenus) au niveau duvoxel Modèle Linéaire Généralisé Effectuerdes inférences surdes régions cérébrales (activation/désactivation) en controllant l’erreurde type I

Modèle Linéaire Général Paramètres [Fristonet al. HBM 2:189-210 95] (p : 1 to P) j j j voxels Estimation Matrice données = × paramètres + résidus Scans (i:1 to I) i pi ^ y ij = x ip × β pj + ε ij y ij = valeur mesurée au volume i duvoxelj connu x ip = valeur du facteur pauscani } (P<I) β pj = valeur de l’effetp pour levoxel j à estimer ε ij = valeur résiduelle au volume i duvoxelj } Variance( ε ) = ε ij ∈ N(0, σ j 2 )

imageregression Formulation matricielle ‹ Y matrice d'observation ‹ X matrice d'expérience = ensemble de regresseurs ‹ β matrice des effets ‹ e matrice du bruit Notion de «bon» ou «mauvais» modèle )euqirtémarap edohtém( tiurb el rus esèhtopyH têrétni-non ed sruetcaftêrétni sruetcaf ε  + β ) inf X+ if X( = Y

bOesvrtaoi n : Un modèle plus réaliste éRopsn eenruno Y a = elc noovuleé ap ral    β 1 X 1 + β 2 X 2 + β 3 X 3 + ε ofn Y c =  itno  X éh + omydanimq β 111   β 12 X 1 + β 21 X 2 + β 22 X 1 + β 3 X 3 + ε eu .….