Title: Modliser la rponse hmodynamique : estimation des paramtres du Balloon Model
1Modéliser la réponse hémodynamique estimation
des paramètres du Balloon Model
SHFJ, 9 juin 2004
- Thomas Deneux
- Doctorant, INRIA ENS Paris
2Plan
- Modéliser la réponse hémodynamique
- Le Balloon Model
- Estimation des paramètres
- Méthode
- Simulations
- Données réelles
- Problèmes à résoudre
31. Modéliser la réponse hémodynamique
HRF standard
4Lhypothèse de linéarité
stimulus
BOLD (fMRI) response
HRF
5Utiliser un système dynamique
X(t) (variables cachées)
y(t) (réponse BOLD)
u(t) (activité neuronale)
- Système dynamique non-linéaire fondé sur des
considérations physiologiques - mieux prévoir la réponse BOLD supposée (ex
régresseur SPM) - Fusion estimer u avec dautres modalités
également (EEG, SEEG)
6Plan
- Modéliser la réponse hémodynamique
- Le Balloon Model
- Estimation des paramètres
- Méthode
- Simulations
- Données réelles
- Problèmes à résoudre
7Physiologie du BOLD
8Le ballon veineux
9Balloon Model(Buxton, 98 Friston, 00)
blood inflow
blood volume
deoxyhemoglobin
BOLD signal
10Formulation système dynamique à états cachés
11Quelques simulations
12Simulations (2)
13Plan
- Modéliser la réponse hémodynamique
- Le Balloon Model
- Estimation des paramètres
- Méthode
- Simulations
- Données réelles
- Problèmes à résoudre
14Retrouver les paramètres à partir des données
15Choix de linput
- Lentrée du système u est lactivité neuronale
en labsence dautre mesure, on peut prendre le
stimulus - Sil y a plusieurs conditions, il faudra alors un
paramètres defficacité par condition
16Modèle pour le bruit
measure noise
evolutive noise
evolutive measure noise
17Méthode sous lhypothèse déterministe
- On considère un modèle où le bruit serait
uniquement dû à la mesure - Dans ce cas il s'agit d'une minimisation aux
moindres carrés (par rapport à ?) - qui est réalisée par une descente de gradient (la
dérivée ? hu,?(t)/? ? peut être caculée
numériquement)
18Simulations
neural activity spikes over 600s theoretical
noisy responses sampled every 1s
19Results
? 2.71 (1) ks 0.71 (0.65) kf 0.46
(0.4) ? 0.53 (0.98) ? 0.95 (0.38) E0
0.49 (0.34)
? 0.928 (1) ks 0.647 (0.65) kf 0.399
(0.4) ? 1.001 (0.98) ? 0.352 (0.38) E0
0.313 (0.34)
20Results (2)
noisier data (variance 50 signal)
parameter estimation
? 1.10 (1) ks 0.56 (0.65) kf 0.38
(0.4) ? 0.955 (0.98) ? 0.305 (0.38) E0
0.605 (0.34)
21Données réelles
Fit du régresseur SPM
Stimulus et Signal au voxel de plus forte p-value
Fit du modèle Balloon
22Comparaison avec SPM02
23Plan
- Modéliser la réponse hémodynamique
- Le Balloon Model
- Estimation des paramètres
- Méthode
- Simulations
- Données réelles
- Problèmes à résoudre
24Minimums locaux
- Le problème mathématique est-il mal posé ?
(sur-déterminé ? Quel genre dinput est le plus
efficace) - Minimums locaux essayer des méthodes de
Monte-Carlo plutôt que descente de gradient
25Augmenter le modèle
- Considérer un bruit évolutif (next slide)
- Utiliser des a prioris sur les paramètres
(?Bayesian maximiser les distributions
posterieures) - Prendre en compte la continuité spatiale des
paramètres
26Model with evolutive noise
- The likelihood is now
- with
27- Maximizing the likelihood wrt. ? is untractable
- use of an EM algorithm
- the system need to be linearized
28EM algorithm
- E-step compute a gaussian approximationIt
consists in computing mean, variances and
covariances for X using the Kalman smoother. - M-step minimize wrt. ? the Q-averaged log
likelihood
29THE END
Thomas Deneux