Sélection de variables dans un cadre Bayésien de traitement de données d'IRM fonctionnelle
Résumé
The General Linear Model (GLM) is an important framework for analyzing event-related functional MRI (fMRI) data. Studies usually assume that all delivered stimuli possibly generate a BOLD response everywhere in the brain although activation is likely to be induced by only some of them in speci c brain areas. To face this issue, we propose within a Joint Detection Estimation (JDE) framework, a variable selection procedure that automatically selects the conditions according to the brain activity they elicit. It follows an improved activation detection that we illustrate on real data.
Le modèle génératif bilinéaire est l'un des cadres utilisés dans l'analyse bayésienne des données d'Imagerie par Résonance Magnétique fonctionnelle (IRMf). De manière standard, cette analyse suppose que le cerveau entier peut être activé par tous les types de stimuli (visuel, auditif, etc.). Cependant la spécialisation fonctionnelle des régions cér ébrales montre que l'activité d'une r égion n'est due qu' a certains types de stimuli. La prise en compte de stimuli non pertinents dans l'analyse, peut dégrader les résultats. Afin de faire face à ce problème nous proposons, dans un cadre de Détection-Estimation Conjointe (DEC), une procédure de sélection de variables permettant de prendre en compte cette pertinence (en terme d'activation evoquée) et de sélectionner automatiquement les types de stimuli activant significativement la région cérébrale en question. Les performances de cette approche sont illustrées sur données réelles.