Cours 5 - La localisation de source en MEG Flashcards
Qu’est ce que le problème direct vs le problème inverse?
-Problème direct: Ce qui décrit comment on part des signaux dans le cerveau (source) va donner lieu à des enregistrements à la surface de la tête
-Problème inverse: Part des signaux mesurés et je veux savoir quels sont les sources (structures cérébrales) qui sont à l’origine de ce que j’ai mesuré à la surface. Part des mesures (M) et je veux source (s)
Comment régler le problème inverse?
Je dois comprendre le problème direct et avoir une bonne modélisation, description de celui-ci, je dois comprendre le lien des sources dans le cerveau
Avec le problème direct, 3 façons de modéliser la tête:
1) Modèle sphérique (calcul analytique) le + simple
2) Modèle réaliste, homogène par couches, intégrales de frontière (BEM) et maillage surfacique
3) Modèle réaliste, inhomogène ou anisotrope, FEM/FDM et maillage volumique (chaque élément est un petit volume)
*Dipôles de courant pour sources cérébrales
Que doit t’on modéliser (3) dans le problème direct?
-Géométrie (anatomie, formes de tête, tissus cérébraux)
-Conductance (électrophysiologie, cmt signal se propage)
-Sources cérébrales
Pourquoi dit-on que le problème direct est bien posé?
Problème direct est bien posé:
Solution unique (analytique ou numérique)
MAIS
géométrie du milieu de conduction est complexe
valeurs approximatives des conductivités
(peau, os , LCR, cortex)
NE PAS OUBLIER
Qualité de la solution du problème inverse
dépend de la précision du problème direct!
Dans la création des modèles des sources (pour l’estimation des sources), quelle est la formule?
M = G X S + E
M = mesures
G = matrice de gain (modèle créé)
S = amplitude des sources dans le temps
E = erreur (bruit)
*Si erreur très grande, G ne représente pas la réalité
*Si c’était bonne source, erreur sera petite et M va ressembler à ce qu’on a obtenu au début (signaux mesurés)
S = GM pour des positions données (=choix de G), estimation du décours temporel S
Quels sont les paramètres linéaires et les non-linéaires des dipôles?
-Position et orientation = paramètres à dépendance non-linéaire avec ce que je mesure
-Amplitude = paramètre à dépendance linéaire (lien linéaire avec ce que je mesure ex: si j’ai source et que je double son amplitude, double ce que je mesure sur la surface)
Méthode non-linéaire: Localisation des dipôles
Estimation des paramètre du ou des dipôles de courant équivalents (dipôle-fit)
-Quelques dipôles (3-4), essaye d’estimer la position et un lien non linéaire avec ce qu’on mesure
*Type d’approche pour l’estimation des sources
Méthode linéaires: Sources distribuées
Estimation des amplitudes de dipôles de courant distribués au préalable sur la surface corticale
-Qui vont m’expliquer au moins mes données, je ne cherche pas la localisation, c’est moi qui met des dipôles partout (10 000)
*Type d’approche pour l’estimation des sources
Forces et limites des méthodes dipolaires (dipôle fit):
+:
-Modèle simple (nb limité de sources) et robuste
-Modèle adapté aux composantes précoces, réponses primaires
-:
-Nécessite une connaissance a priori du nombre de dipôles
-Pas de description fine de la géométrie
-Quantification de l’extension spatiale problématique
-Modèle mal adapté aux sources étendues (quand étendues de façon géométrique qui change d’orientation)
*Bcp utilisé pour trouver foyers épileptiques
Les modèles de sources distribuées, décrit l’imagerie de la densité de courant corticale et les difficultés:
1) Imagerie de la densité de courant corticale:
-Distribution de dipôles de courant à la surface du cortex
-Positions et orientations des dipôles sont fixes (perpendiculaire à la surface par ex): Estimer uniquement les amplitudes (paramètres linéaires)
-Modèle plus réaliste (plus proche de la physiologie)
-Reconstruction: estimation de l’amplitude des sources
2) Difficulté:
-Grand nombre d’inconnus
(N≈ 10 000 dipôles) par rapport au nombre
de données (m≈100-300 capteurs)
- (N≈ 10 000 dipôles) par rapport au nombre
de données (m≈100-300 capteurs)
Problème sous-déterminé, plein de solutions qui pourraient faire du sens, car quantifient 10 000 variables pour expliquer 275 mesures, trop de degré de liberté, pas une solution unique, donc doit utiliser astuces mathématiques pour avoir sol unique
*La résolution du problème inverse via des modèles distribués requiert des astuces mathématiques (ex: technique de régularisation)
Un exemple d’étude MEG avec
reconstruction de sources:
Une tâche de contrôle visuo-moteur
En faite dans une tâche de contrôle visuo moteur, puissance de gamma augmente, bêta et alpha diminuent et lors de l’arrêt, rebond de la puissance bêta
Solution: Cortical-level analysis pour avoir une meilleure idée des sources, car sensor-level donne trop juste une approximation des structures impliquées
