Bayesian joint detection-estimation in functional MRI with automatic parcellation and functional constraints ; Détection-estimation conjointe pour l'IRM fonctionnelle avec des approches bayésiennes et bayésiennes variationnelles
Titel:
Bayesian joint detection-estimation in functional MRI with automatic parcellation and functional constraints ; Détection-estimation conjointe pour l'IRM fonctionnelle avec des approches bayésiennes et bayésiennes variationnelles
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
La parcellisation du cerveau en un certain nombre de régions hémodynamiques homogènes est toujours un défi majeur en analyse des données d’imagerie par résonance magnétique fonctionnelle (IRMf). Une inférence automatique pour les parcelles à partir des données d’IRMf a été proposée dans le cadre du modèle parcellisation détection estimation conjointe (joint parcellation detection estimation: JPDE). Toutefois, ce modèle requiert toujours des informations préalables sur le nombre de parcelles ainsi que leurs formes, généralement renseignées à partir d'une parcellisation initiale, ce qui constitue un défi car cela dépend généralement du sujet. Dans cette thèse, de nouvelles approches pour la parcellisation hémodynamique du cerveau sont présentées. Ces approches sont motivées par le fait que la réponse hémodynamique varie selon les régions du cerveau, les sujets, les différentes sessions pour chaque sujet ainsi que les groupes de sujets. Les approches proposées appartiennent à l’une des deux catégories suivantes : les modèles d’analyse de données d’IRMf au niveau d’un sujet et au niveau d’un groupe de sujets. Pour l’analyse de données d’IRMf au niveau d’un sujet, trois modèles pour estimer automatiquement le nombre optimal de parcelles ainsi que leurs formes (directement) à partir des données d’IRMF sont proposés. La première approches est élaborée comme une procédure de sélection de modèle ajoutée à la structure du modèle JPDE dans lequel l’énergie libre pour les modèles candidats est calculée, chacun avec un nombre différent de parcelles, puis celui qui maximise cette énergie est retenu. Afin de surmonter l’intensité du calcul associé à cette approche, une seconde méthode est proposée. Elle repose sur un modèle bayésien nonparamétrique dans lequel une combinaison d’un processus de Dirichlet et d’un champ aléatoire de Markov caché est utilisée pour permettre un nombre illimité de parcelles et enfin en estimer le nombre optimal. Enfin, pour éviter la complexité du calcul associé à l’estimation du paramètre ...