The advent of new brain imaging techniques such as resting-state functional MRI (fMRI), has led to the need for new approaches to recover brain functional activations without a prior knowledge on the experimental paradigm, as it was the case for task-fMRI. Conventional methods, i.e. the general linear model, requires the knowledge of the task paradigm to estimate the contribution of each voxel's time course to the given task. To overcome this limitation, approaches to deconvolve the blood-oxygen-leveldependent (BOLD) response and recover the underlying neural activations without necessity of prior information has been proposed. Supposing the brain activates in constant blocks, frst we propose a temporal regularized deconvolution technique which uses an exponential operator, whose shape and performance can be adjusted, into a least absolute shrinkage and selection operator (LASSO) model solved via the Least-Angle Regression (LARS) algorithm. We reduced the number of parameters to be set by the user, when compared with the state of the art. Second, we introduce a paradigm-free regularization algorithm that applies on the 4-D fMRI image, acting simultaneously in the 3-D space and the 1-D time dimensions. The approach is based on the idea that large image variations should be preserved as they occur during an activation, whereas small variations should be smoothed to remove noise. It allows to smooth the whole fMRI image with an anisotropic regularization, thus blindly recovering the location of the brain activations in space and their timing and duration.Both approaches were tested on phantom and real data and were demonstrated to improve the results obtained in the state of the art.

L'avènement de nouvelles techniques d'imagerie du cerveau comme l'IRM fonctionnelle (IRMf) au repos a conduit à la nécessité de nouvelles méthodes pour récupérer les activations fonctionnelles du cerveau sans connaissance du paradigme expérimental, comme dans l’IRMf basée sur tâche. Les méthodes conventionnelles, par example le modèle linéaire général, nécessitent la connaissance de la tâche pour pouvoir estimer la contribution du signal de chaque voxel à la tâche donnée. Pour surmonter ces limitations, des méthodes de déconvolution de la réponse dépendant du niveau d'oxygène dans le sang et de récupération des activations neurales sans avoir besoin d'informations préalables ont été proposées. Dans cette thèse, nous proposons d'abord une technique de déconvolution avec une regularisation temporelle qui utilise un opérateur exponentiel, dont la forme et la performance peuvent être ajustées.Avec cette méthode, nous avons réduit le nombre de paramètres à régler par l'utilisateur, par rapport à l'état de l'art. Ensuite, nous avons introduit un algorithme de régularisation qui s'applique à l'image IRMf 4-D, agissant simultanément dans les dimensions spatiale et temporelle. La méthode est basée sur l'idée que les grandes variations de l'image doivent être préservées car elles se produisent lors d'une activation et les petites variations doivent être lissées pour éliminer le bruit. Elle permet de lisser l'image IRMf avec une régularisation anisotrope, récupérant ainsi aveuglément la localisation des activations cérébrales et leur durée. Les deux méthodes ont été testées sur des données synthétiques et réelles et ont démontré une amélioration des résultats de l'état de l'art.

Paradigm free regularization for fMRI brain activation recovery

Reconstruction régularisée et sans a-priori de l'activation cérébrale par IRMf

Your Search

Filter Documents

Providers

Authors

Disciplines

Publication Date

Paradigm free regularization for fMRI brain activation recovery

publications date

provider

author

topic

type

We're in Beta!