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

• Auteur / Autrice : Vincent Michel
• Direction : Gilles Celeux, Bertrand Thirion, Christine Keribin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2010
• Etablissement(s) : Paris 11
• Partenaire(s) de recherche : Autre partenaire : Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne)

Mots clés

Mots clés contrôlés

Statistique bayésienne

Imagerie par résonance magnétique

Aire visuelle

Mots clés libres

Codage neuronal

Inférence inverse

Apprentissage statistique

Information spatiale

Régularisation parcimonieuse

Résumé

Dans cette thèse, nous présentons différentes méthodes d'apprentissage statistique pouvant être utilisées pour comprendre le code neuronal des fonctions cognitives, en se basant sur des données d'Imagerie par Résonance Magnétique fonctionnelle (lRMf). Nous nous intéressons principalement à l'étude de la localisation spatiale des entités impliquées dans le codage, et leur influence respective dans le processus cognitif, en nous focalisant sur l'étude du cortex visuel. Après avoir introduit les notions de codage neuronal et d'imagerie fonctionnelle, nous étudions les limites de l'approche classique d'analyse des données d'IRMf, et les différents avantages apportés 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. Dans une seconde partie, nous décrivons les trois principales contributions de cette thèse. Tout d'abord, nous introduisons une approche Bayésienne pour la régularisation parcimonieuse, généralisant au sein d'un même modèle différentes régularisations Bayésiennes. Ensuite nous proposons un algorithme de coalescence supervisé qui tient compte de l'information spatiale contenue dans les images fonctionnelles, et qui semble être bien adaptée au cas de l'inférence entre sujets. Finalement, nous proposons d'inclure l'information spatiale au sein d'un modèle de régularisation, qui peut être utilisé dans un cadre de prédiction, et permet d'extraire des ensembles connexes de voxels prédictifs. Cette approche est bien adaptée à l'étude de la localisation spatiale du codage neuronal.

Ln 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. Ln 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. Ln this thesis, we focus on the visual cortex. Ln 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 fram 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. Ln 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 th us 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.