Diagnostique d'homogénéité et inférence non-paramétrique pour l'analyse de groupe en imagerie par résonance magnétique fonctionnelle
Institution:
Paris 11Disciplines:
Directors:
Abstract EN:
One of the most challenging purposes to reach for the functional magnetic resonance imaging (fMRI) is the in vivo and non invasive localization of cerebral areas involved in some cognitive functions. Due to the high degree of anatomo-functional variability observed for human brains, fMRI studies generally involve several subjects, which results are summarized into a group activation map representing the population of interest through a group analysis procedure. The “standard” procedure for group analysis inference relies on the strong assumption that the estimated effects are normally distributed across subjects. Our first concern is to study the validity of this assumption using both a multivariate diagnosis approach and a univariate normality test (the Grubbs test). These methods are tested on twenty datasets revealing that the homogeneity assumption may be violated by the frequent presence of atypical data. To enhance both sensibility and sensitivity of statistical tests used for group analysis, we then propose to use robust decision statistics calibrated through permutation testing methods. We also introduce new mixed effects statistics based on maximum likelihoods ratio, which allow to re-weight the subjects according to the reliability of their respective effect estimates. The results obtained on several datasets confirm a significant enhancement of sensibility in group activations maps. We therefore propose all our group analysis methods to the neuro-imaging community through our DISTANCE software.
Abstract FR:
L'un des objectifs principaux de l'imagerie par résonance magnétique fonctionnelle (IRMf) est la localisation in vivo et de manière non invasive des zones cérébrales associées à certaines fonctions cognitives. Le cerveau présentant une très grande variabilité anatomo-fonctionnelle inter-individuelle, les études d'IRMf incluent généralement plusieurs sujets et une analyse de groupe permet de résumer les résultats intra-sujets en une carte d'activation du groupe représentative de la population d'intérêt. L'analyse de groupe « standard » repose sur une hypothèse forte d'homogénéité des effets estimés à travers les sujets. Dans un premier temps, nous étudions la validité de cette hypothèse par une méthode multivariée diagnostique et un test de normalité univarié (le test de Grubbs). L'application de ces méthodes sur une vingtaine de jeux de données révèle la présence fréquente de données atypiques qui peuvent invalider l'hypothèse d'homogénéité. Nous proposons alors d'utiliser des statistiques de décision robustes calibrées par permutations afin d'améliorer la spécificité et la sensibilité des tests statistiques pour l'analyse de groupe. Puis nous introduisons de nouvelles statistiques de décision à effets mixtes fondées sur le rapport de vraisemblances maximales, permettant de pondérer les sujets en fonction de l'incertitude sur l'estimation de leurs effets. Nous confirmons sur des jeux de données que ces nouvelles méthodes d'inférence permettent un gain en sensibilité significatif, et nous fournissons l'ensemble des outils développés lors de cette thèse à la communauté de neuro-imagerie dans le logiciel DISTANCE.