Cours 5: Localisation de sources en MEG Flashcards
Qu’est-ce que le problème direct vs inverse?
Problème direct
signaux dans le cerveau (source) -> enregistrements au niveau de la surface. Modélisation des signaux cérébraux.
Problème inverse
signaux mesurés -> quelles sont les structures / sources à l’origine de ce qui est mesuréé “Où” (la localisation) et l’amplitude des sources sont les informations principales recherchées dans le problème inverse
Qualité de la solution du problème inverse dépend de la précision du problème direct!
Comment formuler le problème inverse en MEG et quelles selon les composantes de l’équation mathématique qui le représente?
M=G×S+E
où :
M : mesures obtenues ( données enregistrées par les capteurs de MEG).
G : matrice de gain ou matrice de transfert qui modélise comment les signaux issus des sources neuronales se propagent pour atteindre les capteurs en surface. Cette matrice dépend de la géométrie de la tête et des propriétés des tissus, et elle relie les sources internes aux mesures en surface.
S : amplitudes des sources ou l’activité des sources dans le temps (série temporelle) Cette composante décrit l’évolution temporelle des signaux provenant des sources neuronales.
E : erreur ou le bruit, qui inclut les erreurs de mesure et les bruits externes qui peuvent affecter les données enregistrées.
Si le résiduel est petit, c’est une bonne mesure (différence entre les valeurs observées et les valeurs prédites par le modèle): la prédiction du modèle est proche des données réelles observées, ce qui indique une bonne correspondance entre le modèle et la réalité.
Un résiduel faible signifie que le modèle explique bien les données et que les erreurs (ou les écarts) sont faibles: suggère que la solution trouvée pour les sources neuronales correspond bien aux mesures enregistrées, ce qui rend cette solution plus fiable.
Les paramètres du problème inverse sont linéaire ou non?
Position et orientation:
Paramètres à dépendance non-linéaire; leurs effets sur les signaux mesurés (MEG ou EEG) ne sont pas proportionnels ou directs
Amplitude:
Paramètres à dépendance linéaire; effet de l’amplitude sur le signal mesuré est proportionnel.
Quelles sont leux types d’approches pour l’estimation des sources
Méthode non-linéaire: Localisation des dipôles
Estimation des paramètres du ou des dipôle(s) de courant équivalent(s) (dipole-fit)
Méthode linéaire: Sources distribuées
Estimation des amplitudes de dipôles de courant distribués au préalable sur la surface corticale
Quelles sont les forces des méthodes dipolaires?
Une méthode dipolaire est une approche utilisée en neuroimagerie, notamment dans l’analyse de signaux électroencéphalographiques (EEG) et magnétoencéphalographiques (MEG), pour localiser les sources d’activité électrique ou magnétique dans le cerveau. Elle repose sur le concept de dipôles électriques ou magnétiques, qui représentent des régions de courant neuronal focalisé, modélisées comme des sources ponctuelles.
simple et robuste
adapté aux composantes précoces, réponses primaires
Quelles sont les faiblesses des méthodes dipolaires?
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
Qu’est-ce que le modèle d’imagerie de la densité de courant corticale
méthode utilisée pour estimer où et avec quelle intensité les courants électriques sont générés à la surface du cortex cérébral, en analysant les signaux EEG ou MEG.
Distribution de dipôles de courant à la surface du cortex
suppose que l’activité électrique dans le cortex peut être représentée par de nombreux petits “dipôles de courant” (petites sources électriques), répartis sur la surface du cortex.
Positions et orientations des dipôles sont fixes
on ne modifie pas leur emplacement ou leur orientation durant l’analyse ; on estime seulement la force de chaque dipôle.
Estimer uniquement les amplitudes (paramètres linéaires)
Puisque leurs positions et orientations sont fixes, l’estimation de l’amplitude devient un problème linéaire, simplifiant les calculs.
Modèle plus réaliste (Plus proche de la physiologie): il utilise de nombreux dipôles répartis sur la surface du cortex, reflétant mieux la vraie distribution des courants dans le cerveau.
Reconstruction par estimation de l’amplitude des sources .
Quelles sont les difficultés du modèle d’imagerie de la densité de courant corticale
Grand nombre d’inconnues
(N≈ 10 000 dipôles) par rapport au nombre de données (m≈100-300 capteurs)
Problème sous-determiné
La résolution du problème inverse via des modèles distribuées requiert des astuces mathématiques (ex. des téchniques de régularisation)
Dans une étude en MEG portant sur la reconstruction de sources durant une tâche visuo-motrice, le participant utilise un bouton pour déplacer un cube à l’écran et doit garder une face bleue visible, ce qui représente une tâche visuo-motrice continue.
Un système MEG à 151 canaux est utilisé pour enregistrer l’activité cérébrale durant cette tâche, avec des blocs de 60 secondes.
La transformation temps-fréquence est appliquée aux signaux, permettant de visualiser les oscillations cérébrales en fonction du temps et des fréquences (delta, theta, alpha, beta, gamma).
Les mesures sont réalisées dans le cortex moteur gauche, car le participant utilise sa main droite pour la tâche.
SEEG (EEG avec électrodes intracrâniennes) est présenté pour comparer l’activité dans le cortex moteur contralatéral.
Les oscillations sont comparées entre MEG et SEEG pour analyser les similarités et différences dans les enregistrements de l’activité motrice.
Quels ont été les résultats saillants?
variations de puissance spectrale selon les conditions (tâche visuo-motrice vs repos).
L’analyse montre une augmentation de la puissance dans la bande gamma (60-90 Hz) pendant la tâche visuo-motrice, principalement dans le cortex moteur contrôlant la main droite.
le contrôle visuo-moteur entraîne une augmentation de l’activité dans les fréquences gamma dans le cortex moteur, illustrant l’implication de cette région dans la tâche.
