Cortical source imaging : from the laplacian montage to sparse inverse solutions - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2016

Cortical source imaging : from the laplacian montage to sparse inverse solutions

Estimation de sources corticales : du montage laplacian aux solutions parcimonieuses

Gundars Korats
  • Fonction : Auteur
  • PersonId : 767441
  • IdRef : 195496841

Résumé

Cortical source imaging plays an important role for the comprehension of the functional or pathological brain. It allows to relate the activation of particular cortical areas in response to a given cognitive stimuli, hence to study the co-activations of underlying functional networks. It is also helpful in identifying the location of pathological activities. Various methods of clinical investigation can be used, from imaging modalities (PET, MRI) to electroencephalography (EEG, SEEG, MEG). The electroencephalographic (EEG) measurements have the great advantage to yield very high temporal resolution in milliseconds while being a non-invasive technique often used in primary clinical investigation. However the identification of the activated sources from EEG recordings remains an extremely difficult task due to the low spatial resolution this modality provides, to the smearing effect of the skull, to propagation model errors, as well as spatial (location and size) and temporal (synchronization) properties of the sources. In this thesis, different path to the estimation of cortical activities based on the EEG have been explored. Simplest cortical imaging methods requires only the assumptions of the geometrical properties of the head. Second order derivation of the interpolated scalp recordings removes smearing effect of the skull and yields an approximate estimation of the dura potentials. Despite small computational burden and simplified models such estimation do not provide accurate information about the individual neural generators nor their spatio-temporal properties. To overcome this, more elaborated models are used to construct realistic forward model and, thus, localize the sources by inverting it. In addition to the difficulty of forward model construction, inversion step requires regularization and/or sparsity constrains. Although dozens of methods already exists in the literature, only few are designed for the non-stationary nature of the unknown number of the sources. We reconsider the problem of cortical source imaging using as less information as possible in addition to the electrical activities provided through the EEG scalp measurements. We have avoided statistical assumptions due to the poor amount of physiological considerations they are able to integrate, and we have rather focused on methods that rely on basic geometrical and physiological considerations. Resulting full rank estimator is at the root of a large family of interpolation-based Surface Laplacian (SL) methods, based on the assumption that the scalp map is made of a linear mixing of smooth basis functions produced by the underlying sources. In the second part of the thesis, we relax the full rank constraint by adopting a dipolar distributed model and we follow the assumption that only a few cortical sources are simultaneously active. Such hypothesis is particularly valid in e.g., epileptic context or in the case of cognitive tasks, where a limited number of sources are responsible of the visible activity on the EEG electrodes. To enforce the regularization as well as the sparsity of the solution, we take benefit of the temporal dimension of the data, and propose two combined data-driven spatio-temporal dictionaries. At first the temporal atoms are learned based on a principal component analysis. Finally we exploit a time-frequency decomposition of the data based on wavelets, being more robust to noise and well adapted to the non-stationary nature of the electrophysiologic data.
L’imagerie de sources corticales joue un rôle important pour la compréhension des mécanismes fonctionnels et pathologiques du cerveau. Elle permet de relier l’activation de certaines zones corticales en réponse à un stimulus cognitif donné, et ainsi d’étudier les co-activations des réseaux fonctionnels sous-jacents. Parmi les modalités d’acquisition à disposition, les mesures électroencéphalographiques (EEG) ont le grand avantage de fournir une résolution temporelle de l’ordre de la millisecondes à l’échelle des processus étudiés, tout en demeurent une technique non-invasive exploitée en routine clinique. Cependant l’identification des sources activées à partir d’enregistrements EEG reste une tâche extrêmement difficile en raison de la faible résolution spatiale de cette modalité, de l’effet de filtrage important de l’os crânien et des erreurs inhérentes au modèle de propagation à inverser. Dans cette thèse, différentes approches pour l’estimation de l’activité corticale de surface à partir de l’EEG ont été explorées. Les méthodes d’imagerie corticales les plus simples se basent uniquement sur des caractéristiques géométriques de la tête. La charge de calcul est très réduite et les modèles utilisés sont simples à mettre en oeuvre. En revanche, de tels approches n’apportent pas d’informations précises sur les générateurs neuronaux ainsi que sur leurs propriétés spatio-temporelles. Des techniques plus élaborées peuvent alors être employées pour construire un modèle de propagation réaliste, et ainsi reconstruire plus précisément les sources par inversion. En revanche, le problème d’inversion de ce modèle est sévèrement mal posé, et des contraintes doivent être imposées pour réduire l’espace des solutions. Nous avons d’abord repris le problème de l’imagerie de sources corticales en se basant uniquement sur les activités électriques fournis par les mesures EEG de surface. Les méthodes développées reposent sur des considérations simplifiées mais universelles sur la géométrie de la tête ainsi que sur les caractéristiques de propagation physiologiques des sources. Les opérateurs à appliquer aux données sont des matrices de plein rang, semblable aux méhodes par Laplacien de surface (SL), et sont basées sur l’hypothèse que les données de surface sont faites d’un mélange linéaire de fonctions de base radiale produites par les sources sous-jacentes. Dans la deuxième partie de la thèse, nous levons la contrainte de rang plein en adoptant des modèles de dipoles distribués. Pour ce faire, une régularisation de type parcimonie est développée en s’appuyant sur l’hypothèse physiologique que seules quelques sources corticales sont actives simultanément, une hypothèse bien adaptée au contexte de sources épileptiques ou encore dans le cas de tâches cognitives. Cette contrainte est imposée à la fois dans les dimensions spatiale et temporelle des mesures. Deux dictionnaires d’atomes spatio-temporelles sont proposés, l’un construit par analyse en composantes principales des données, le second exploitant une décomposition sur une base d’ondelettes, plus robuste au bruit et bien adapté à la nature non-stationnaire des données électrophysiologiques. L’ensemble des méthodes proposées ont été testées sur des données simulées et comparées à des approches classiques de la littérature. Les performances obtenus sont satisfaisantes et montrent une bonne robustesse dans des conditions de rapport signal à bruit difficiles. Nous avons également validé nos approches sur des données réelles épileptiques fournies et expertisées par les neurologues du Centre Hospitalier Universitaire de Nancy affiliés au projet. Les localisations estimées concordent avec la détermination de la zone épileptogène obtenue par exploration intracérébrale en Stéréo-EEG.
Fichier principal
Vignette du fichier
KORATS.pdf (23.07 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01752197 , version 2 (07-11-2016)
tel-01752197 , version 1 (29-03-2018)

Identifiants

  • HAL Id : tel-01752197 , version 2

Citer

Gundars Korats. Cortical source imaging : from the laplacian montage to sparse inverse solutions. Automatic. Université de Lorraine, 2016. English. ⟨NNT : 2016LORR0027⟩. ⟨tel-01752197v2⟩
237 Consultations
192 Téléchargements

Partager

Gmail Facebook X LinkedIn More