Show simple item record

dc.contributor.authorVincent, Thomas
dc.contributor.authorRisser, Laurent
dc.contributor.authorCiuciu, Pierre
dc.contributor.authorDonnet, Sophie
dc.date.accessioned2012-06-25T13:54:10Z
dc.date.available2012-06-25T13:54:10Z
dc.date.issued2010
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/9572
dc.description.abstractfrRésumé : Dans cet article, nous synthétisons la méthodologie usuelle et des variantes plus élaborées pour analyser des données individuelles d’Imagerie par Résonance Magnétique fonctionnelle (IRMf). De telles données sont acquises au cours d’expériences sensorielles ou cognitives dont le but est de stimuler le sujet dans le scanner afin d’évoquer une activité cérébrale typique. À partir de données quadri-dimensionnelles (trois dans l’espace et le temps), le but est double : d’abord, détecter les régions impliquées dans les processus sensoriels ou cognitifs que le protocole expérimental manipule ; ensuite, estimer la dynamique cérébrale sous-jacente. La première question est généralement abordée dans le contexte du Modèle Linéaire Général (MLG) qui suppose a priori connue la réponse impulsionnelle du filtre hémodynamique. La seconde question traite de l’estimation de la forme de cette réponse qui fait sens uniquement dans les régions activées. Durant ces cinq dernières années, un nouveau cadre de détection-estimation conjointe traitant ces deux questions simultanément a été proposé successivement dans [59, 60, 102]. Nous montrons ici jusqu’à quel point cette méthodologie étend les approches à base de MLG, les améliore en termes de sensibilité et spécificité statistique, quelles questions supplémentaires ce cadre permet d’investiguer théoriquement et comment il fournit un moyen aux utilisateurs de traiter de façon adaptée leur données non-lissées spatialement, aussi bien dans le répère 3D de l’acquisition que sur la surface corticale.en
dc.language.isoenen
dc.subjectPotts fieldsen
dc.subjectpartition functionen
dc.subjectMarkov random fieldsen
dc.subjectmodel selectionen
dc.subjectMCMCen
dc.subjectBayesian inferenceen
dc.subjectnonparametric hemodynamics,en
dc.subjectneuroimagingen
dc.subjectfMRIen
dc.subject.ddc519en
dc.subject.classificationjelC15en
dc.subject.classificationjelC11en
dc.titleA joint detection-estimation framework for analysing within-subject fMRI dataen
dc.title.alternativeUn cadre de détection-estimation conjointe pour analyser les données individuelles d’IRMfen
dc.typeArticle accepté pour publication ou publié
dc.contributor.editoruniversityotherInstitut de Mathématiques de Toulouse (IMT) Université Paul Sabatier - Toulouse III – Université Toulouse le Mirail - Toulouse II – Université des Sciences Sociales - Toulouse I – Institut National des Sciences Appliquées de Toulouse – CNRS : UMR5219;France
dc.contributor.editoruniversityotherLaboratoire de Neuroimagerie Assistée par Ordinateur (LNAO) CEA : DSV/I2BM/NEUROSPIN;France
dc.description.abstractenAbstract: In this paper, we review classical and advanced methodologies for analysing within-subject functional Magnetic Resonance Imaging (fMRI) data. Such data are usually acquired during sensory or cognitive experiments that aims at stimulating the subject in the scanner and eliciting evoked brain activity. From such four-dimensional datasets (three in space, one in time), the goal is twofold: first, detecting brain regions involved in the sensory or cognitives processes that the experimental design manipulates; second, estimating the underlying activation dynamics. The first issue is usually addressed in the context of the General Linear Model (GLM), which a priori assumes a functional form for the impulse response of the hemodynamic filter. The second question aims at estimating this shape which makes sense in activating regions only. In the last five years, a novel Joint Detection-Estimation (JDE) framework addressing these two questions simultaneously has been proposed in [59, 60, 102].We show to which extent this methodology outperforms the GLM approach in terms of statistical sensitivity and specificity, which additional questions it allows us to investigate theoretically and how it provides us with a well-adapted framework to treat spatially unsmoothed real fMRI data both in the 3D acquisition volume and on the cortical surface.en
dc.relation.isversionofjnlnameJournal de la Société Française de Statistique
dc.relation.isversionofjnlvol151en
dc.relation.isversionofjnlissue1en
dc.relation.isversionofjnldate2010
dc.relation.isversionofjnlpages58-89en
dc.identifier.urlsitehttp://publications-sfds.math.cnrs.fr/index.php/J-SFdS/article/view/46/37en
dc.description.sponsorshipprivateouien
dc.relation.isversionofjnlpublisherSociété française de statistique et Société mathématique de Franceen
dc.subject.ddclabelProbabilités et mathématiques appliquéesen


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record