| dc.contributor.author | Vincent, Thomas | |
| dc.contributor.author | Risser, Laurent | |
| dc.contributor.author | Ciuciu, Pierre | |
| dc.contributor.author | Donnet, Sophie | |
| dc.date.accessioned | 2012-06-25T13:54:10Z | |
| dc.date.available | 2012-06-25T13:54:10Z | |
| dc.date.issued | 2010 | |
| dc.identifier.uri | https://basepub.dauphine.fr/handle/123456789/9572 | |
| dc.description.abstractfr | Résumé : 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.iso | en | en |
| dc.subject | Potts fields | en |
| dc.subject | partition function | en |
| dc.subject | Markov random fields | en |
| dc.subject | model selection | en |
| dc.subject | MCMC | en |
| dc.subject | Bayesian inference | en |
| dc.subject | nonparametric hemodynamics, | en |
| dc.subject | neuroimaging | en |
| dc.subject | fMRI | en |
| dc.subject.ddc | 519 | en |
| dc.subject.classificationjel | C15 | en |
| dc.subject.classificationjel | C11 | en |
| dc.title | A joint detection-estimation framework for analysing within-subject fMRI data | en |
| dc.title.alternative | Un cadre de détection-estimation conjointe pour analyser les données individuelles d’IRMf | en |
| dc.type | Article accepté pour publication ou publié | |
| dc.contributor.editoruniversityother | Institut 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.editoruniversityother | Laboratoire de Neuroimagerie Assistée par Ordinateur (LNAO) CEA : DSV/I2BM/NEUROSPIN;France | |
| dc.description.abstracten | Abstract: 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.isversionofjnlname | Journal de la Société Française de Statistique | |
| dc.relation.isversionofjnlvol | 151 | en |
| dc.relation.isversionofjnlissue | 1 | en |
| dc.relation.isversionofjnldate | 2010 | |
| dc.relation.isversionofjnlpages | 58-89 | en |
| dc.identifier.urlsite | http://publications-sfds.math.cnrs.fr/index.php/J-SFdS/article/view/46/37 | en |
| dc.description.sponsorshipprivate | oui | en |
| dc.relation.isversionofjnlpublisher | Société française de statistique et Société mathématique de France | en |
| dc.subject.ddclabel | Probabilités et mathématiques appliquées | en |
