Décomposition des dynamiques spatio-temporelles de la connectivité cérébrale fonctionnelle - Nicolas Farrugia Equipe NEUCOD - Lab-STICC - Telecom ...
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Décomposition des dynamiques spatio-temporelles de la connectivité cérébrale fonctionnelle Nicolas Farrugia Equipe NEUCOD – Lab-STICC – Telecom Bretagne Vendredi 24 Juin 2016
Plan • Introduction • Connectivité fonctionnelle • Méthodes • Approches statiques et dynamiques • Dynamiques spatio-temporelles – méthode proposée • Aperçu de la méthode • Résultats sur un groupe de sujets sains • Conclusion et perspectives
Introduction
• Approche “réseaux”
• Aller au delà de l’approche “Une zone du cerveau = une fonction”
• Réseau = ensemble de zones dont l’activité varie de concert
• Connectivité fonctionnelle
• Graphe non dirigé
• Similarité entre séries temporelles : corrélation, information
mutuelle, cohérence de phase, …
• Lien avec la connectivité structurelle
• Mesure
• EEG / IRM fonctionnelle
• Tache cognitive ou état de repos
Connectivité fonctionnelle
• Réseaux de l’état de repos (« resting state »)
• Mesurés au repos, sans tâche particulière
• Comment les mettre en évidence ?
• Comment les interpréter fonctionnellement ?
• Mesure des réseaux fonctionnels en l’absence de tâche cognitive
• IRM (EEG)
• sujet au repos, 6 à 10 minutes
• Yeux ouverts, sujet détendu
• Instruction: fixez la croix, ne pensez à rien de particulier
• Analyse – approche “statique”
Covariance
Covariance inverse
…
Méthodes
• “Seed-based functional connectivity”
• “seed” = point / zone de référence, quelle activité est similaire à
cette zone ?
Méthodes • Analyse en composantes indépendantes Smith et al, 2009, PNAS
Réseaux resting state
Coopération entre réseaux
• Intérêt d’une approche dynamique
• Etude des dynamiques temporelles entre réseaux
• Mise en evidence de dynamiques spatiotemporelles et d’états de connectivité
Uudin 2015, Nature Neuro
Connectivité dynamique Calhoun et al. 2014, Neuron
Connectivité dynamique
• Deux limitations
• Utilisation du k-means -> un seul état
courant
• Observations (covariances) considérées
indépendantes temporellement
• Alternatives au k-means
• Temporal-ICA (eg Miller et al. 2014)
• Superposition d’états de connectivité dont les
séries temporelles sont indépendantes
• Apprentissage de dictionnaire avec
contrainte de sparsité (Mairal et al. 2009)
• U : code
• V : dictionnaireApprentissage de dictionnaire
spatio-temporel 1/2
Sliding
windows
C spatio-temporal
Multiplication of
MTD atoms of dimensions
temporal derivatives (K x 70 x 70)
(McShine et al. 2015)
Sequences of K
consecutive Dictionary
matrices
Sparse Dictionary
Learning
time 1Apprentissage de dictionnaire
spatiotemporel 2/2 Matrix product Dynamic Connectivity
C spatio- States (S) (K x 70 x 70)
temporal X
atoms of
dimensions
(K x 70 x 70)
Dictionary
Sparse Dictionary
Learning 2
Code
Convolution Atom time series Time Series
(relative ratio) Spatio-temporal
time MapsRésultats
• Etude sur des sujets sains
• 83 participants (agés de 18 à 40 ans)
• 4 scans « resting state » de 14 minutes (TR = 1400 ms, 2.3 mm
isotropique)
• Preprocessing, denoising, artifact removal, motion correction
• Projection sur la surface corticale et parcellation en 70 régions
• Connectivité statique
• Application de notre méthode
• K=15 covariances successives
• C=6 atomes pour DL1
• S = 4 Etats de connectivité dynamique
• Choix des paramètres en utilisant un seuil sur le gain en variance
expliquée en rajoutant un atome (DL1 et DL2)
• Groupement par similarité spatiotemporelle les lignes des états
avec un K-means (réseaux)Etats de connectivité dynamique 1/3
Etats de connectivité dynamique 2/3
Etats de connectivité dynamique 3/3
Test-Retest • Distance cosine (absolute) entre états estimés sur les quatre scans
Connectivité statique
Lien entre connectivité
statique et dynamique
Static Connectivity
State 3 was the most
correlated with group
averaged average static
connectivity ( r=-0.43,
pLien entre statique et dynamique
Conclusions et perspectives
• Conclusions
• Preuve de concept d’une méthode de décomposition en états de
connectivité se recouvrant
• 4 états dont un majoritaire, 3 états minoritaires en lien avec la
connectivité statique
• Premières indications sur la reproducibilité
• Perspectives
• Valider la méthodes en générant des données artificielles
• Cross-validation (split-half) pour le choix des paramètres
• Etudier les propriétés des états de connectivités en lien avec le
comportement
• Applications sur des tâches cognitives et en EEGMERCI !
Preprocessing
• Preprocessing of the functional data was streamlined using
NiPype (Gorgolewski et al. 2011) and included
• slice-timing correction, distortion correction, motion correction
using 6 degrees of freedom, outlier rejection, removal of linear
and quadratic trends, followed by denoising using 6 principal
components representative of physiological noise (Muschelli et
al. 2014), and bandpass filtering between 0.01 and 0.1 Hz.
• The denoised data was z-scored before being reprojected on
individual cortical meshes.
• Surface level data was normalized onto the fsaverage5 surface,
and parcellated using the Desikan-Kiliany atlasCognitive
control
Rumination – deficit
negative
thoughts
Kaiser et al. 2016
JAMA psychiatry
26 studies, 566 patients
Vs 518 controls Altered
Failure in top-down
emotion regulation salience
monitoring
(Black arrows represent
hypoconnectivity in MDD; white arrows
represent hyperconnectivity in MDD;
gray arrows represent generally
abnormal (both hypo- and hyper-)
connectivity in MDD).Vous pouvez aussi lire
