Understanding the visual cortex by using classification techniques - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2010

Understanding the visual cortex by using classification techniques

Améliorer la compréhension du cortex visuel à l'aide de techniques de classification

Résumé

In this thesis, we present different approaches for statistical learning that can be used for studying the neural code of cognitive functions, based on brain functional Magnetic Resonance Imaging (fMRI) data. In particular, we study the spatial organization of the neural code, i.e. the spatial localization and the respective weights of the different entities implied in the neural coding. In this thesis, we focus on the visual cortex. In the first part of this thesis, we introduce the notions of functional architecture, neural coding and functional imaging. Then, we study the limits of the classical approach for the characterization of the neural code from fMRI images, and the advantages of a recent method of analysis, namely inverse inference. Finally, we detail the statistical learning approaches used for inverse inference, and we evaluate them on real data. This study highlights the limitations of these approaches, that will be addressed during this thesis. In particular, we focus on the use of spatial information within statistical learning methods. In a second part, we describe the three main contributions of this thesis. First, we introduce a Bayesian framework for sparse regularization, that generalizes two reference approaches. Then, we propose a supervised clustering method, that takes into account the spatial structure of the images. The resulting weighted maps are easily interpretable, and this approach seems particularly interesting in the case of inter-subjects inference. The last contribution of this thesis aims at including the spatial information into the regularization framework. This regularization is thus used in both regression and classification settings, and extracts clusters of predictive voxels. This approach is well suited for the decoding problem addressed in this thesis.
Dans ce mémoire, nous présentons différentes méthodes d'apprentissage statistique qui peuvent être utilisées pour comprendre le code neuronal des fonctions cognitives, en se basant sur des données d'Imagerie par Résonance Magnétique fonctionnelle du cerveau. Plus particulièrement, nous nous intéressons à l'´etude de la localisation spatiale des entités impliquées dans le codage, et leur influence respective dans le processus cognitif. Dans cette étude, nous nous focalisons principalement sur l'étude du cortex visuel. Dans la première partie de ce mémoire, nous introduisons les notions d'architecture fonctionnelle cérébrale, de codage neuronal et d'imagerie fonctionnelle. Nous étudions ensuite les limites de l'approche classique d'analyse des données d'IRMf pour l'étude du codage neuronal, et les différents avantages apportées par une méthode d'analyse récente, l'inférence inverse. Enfin, nous détaillons les méthodes d'apprentissage statistique utilisées dans le cadre de l'inférence inverse, et nous les évaluons sur un jeu de données réelles. Cette étude permet de mettre en évidence certaines limitations des approches classiquement utilisées, que cette thèse vise à résoudre. En particulier, nous nous intéressons à l'intégration de l'information sur la structure spatiale des données, au sein d'approches d'apprentissage statistique. Dans la seconde partie de ce mémoire, nous décrivons les trois principales contributions de cette thèse. Tout d'abord, nous introduisons une approche Bayésienne pour la régularisation parcimonieuse, qui généralise au sein d'un même modèle plusieurs approches de références en régularisation Bayésienne. Ensuite nous proposons un algorithme de coalescence supervisé (supervised clustering) qui tient compte de l 'information spatiale contenue dans les images fonctionnelles. Les cartes de poids résultantes sont facilement interprétables, et cette approche semble être bien adaptée au cas de l'inférence entre sujets. La dernière contribution de cette thèse vise à inclure l'information spatiale au sein d'un modèle de régularisation. Cette régularisation peut alors être utilisée dans un cadre de régression et de classification, et permet d'extraire des ensembles connexes de voxels prédictifs. Cette approche est particulièrement bien adaptée à l'étude de la localisation spatiale du codage neuronal, abordée durant cette thèse.
Fichier principal
Vignette du fichier
Thesis_VincentMICHEL_final.pdf (14.02 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00550047 , version 1 (23-12-2010)

Identifiants

  • HAL Id : tel-00550047 , version 1

Citer

Vincent Michel. Understanding the visual cortex by using classification techniques. Human-Computer Interaction [cs.HC]. Université Paris Sud - Paris XI, 2010. English. ⟨NNT : ⟩. ⟨tel-00550047⟩
446 Consultations
596 Téléchargements

Partager

Gmail Facebook X LinkedIn More