Sujet de stage
Titre :
Localisation de sources cérébrales par des méthodes de régression itérative
Dates :
2024/05/02 - 2024/09/30
Encadrant(s) :
Description :
La localisation et la caractérisation des générateurs électriques neuronaux sont des enjeux fondamentaux pour la compréhension du fonctionnement cérébral sain ou pathologique. Cette localisation s'effectue principalement à l'aide d'enregistrements électrophysiologiques, type de mesure présentant une très bonne résolution temporelle. Il s'agit, à partir d'un ensemble de M mesures et de la connaissance d'un modèle de sources distribuées (dictionnaire de N projections de sources maillant le volume cérébral), de déduire l'ensemble de sources à l'origine de ces mesures. La solution de ce problème n'est pas unique, différentes
configurations sur les sources pouvant amener au même résultat de propagation sur les capteurs. De nombreux algorithmes ont été développés pour tenter d'identifier la solution recherchée parmi l'ensemble de solutions admissibles.
L'objectif de ce sujet est l'évaluation de méthodes de localisation parcimonieuse basées sur des approche par régression itérative. Une famille d'approche bien connue pour résoudre ce type de problème sont les méthodes de type Matching Pursuit (avec les variantes plus élaborées comme Orthogonal MP ou Orthogonal Least Squares), pourtant peu utilisées dans le contexte de la localisation de sources cérébrales. Ces méthodes dites ascendantes consistent à ajouter à chaque itération une nouvelle source parmi N permettant de diminuer un critère, généralement un critère quadratique d'adéquation aux données pénalisé par le nombre de sources sélectionnées. Certaines approches permettent également de reconsidérer les sources choisies au cours des itérations et de pouvoir en retirer si le critère à optimiser s'en trouve amélioré. On citera en particulier la méthode SBR (pour Single Best Replacement [1]) que nous avons déjà considéré dans le cadre de nos travaux [2]. Une autre famille d'approches apparentées sont les approches de régression dites descendantes, où cette fois l'ensemble des N sources constituant le modèle de propagation sont recrutées d'emblée pour reconstruire les mesures, et où on cherche à éliminer itérativement les sources ne contribuant
pas significativement à ces mêmes mesures.
Le travail consistera dans un premier temps à tester les méthodes de régression ascendantes déjà développées par les membres de l'équipe sur des jeux de données simulées, puis sur des données réelles acquises pendant des protocoles de stimulations électriques intracérébrales pour lesquels les positions des sources sont connues. Dans un second temps, il sera demandé de développer les méthodes de type descendantes et de les tester sur les mêmes jeux de données. Enfin, l'ensemble de ces méthodes seront testées sur des données réelles issues d'enregistrements recueillis au cours de protocoles de reconnaissance des visages chez l'Homme, dans le but d'identifier les régions cérébrales qui supportent cette fonction cognitive.
Le candidat devra posséder de bonnes connaissances en traitement statistique du signal ainsi que des bases solides en programmation Matlab.
Références:
[1] Soussen, Charles, et al. "Homotopy Based Algorithms for ℓ0 -Regularized Least-Squares." IEEE Tran-
sactions on Signal Processing 63.13 (2015) : 3301-3316.
[2] Korats, Gundars, et al. "A space-time-frequency dictionary for sparse cortical source localization." IEEE
Transactions on Biomedical Engineering 63.9 (2015) : 1966-1973.
configurations sur les sources pouvant amener au même résultat de propagation sur les capteurs. De nombreux algorithmes ont été développés pour tenter d'identifier la solution recherchée parmi l'ensemble de solutions admissibles.
L'objectif de ce sujet est l'évaluation de méthodes de localisation parcimonieuse basées sur des approche par régression itérative. Une famille d'approche bien connue pour résoudre ce type de problème sont les méthodes de type Matching Pursuit (avec les variantes plus élaborées comme Orthogonal MP ou Orthogonal Least Squares), pourtant peu utilisées dans le contexte de la localisation de sources cérébrales. Ces méthodes dites ascendantes consistent à ajouter à chaque itération une nouvelle source parmi N permettant de diminuer un critère, généralement un critère quadratique d'adéquation aux données pénalisé par le nombre de sources sélectionnées. Certaines approches permettent également de reconsidérer les sources choisies au cours des itérations et de pouvoir en retirer si le critère à optimiser s'en trouve amélioré. On citera en particulier la méthode SBR (pour Single Best Replacement [1]) que nous avons déjà considéré dans le cadre de nos travaux [2]. Une autre famille d'approches apparentées sont les approches de régression dites descendantes, où cette fois l'ensemble des N sources constituant le modèle de propagation sont recrutées d'emblée pour reconstruire les mesures, et où on cherche à éliminer itérativement les sources ne contribuant
pas significativement à ces mêmes mesures.
Le travail consistera dans un premier temps à tester les méthodes de régression ascendantes déjà développées par les membres de l'équipe sur des jeux de données simulées, puis sur des données réelles acquises pendant des protocoles de stimulations électriques intracérébrales pour lesquels les positions des sources sont connues. Dans un second temps, il sera demandé de développer les méthodes de type descendantes et de les tester sur les mêmes jeux de données. Enfin, l'ensemble de ces méthodes seront testées sur des données réelles issues d'enregistrements recueillis au cours de protocoles de reconnaissance des visages chez l'Homme, dans le but d'identifier les régions cérébrales qui supportent cette fonction cognitive.
Le candidat devra posséder de bonnes connaissances en traitement statistique du signal ainsi que des bases solides en programmation Matlab.
Références:
[1] Soussen, Charles, et al. "Homotopy Based Algorithms for ℓ0 -Regularized Least-Squares." IEEE Tran-
sactions on Signal Processing 63.13 (2015) : 3301-3316.
[2] Korats, Gundars, et al. "A space-time-frequency dictionary for sparse cortical source localization." IEEE
Transactions on Biomedical Engineering 63.9 (2015) : 1966-1973.
Conditions :
Stage de 5 mois, du 02/05/2024 au 30/09/2024
Département(s) :
| Biologie, Signaux et Systèmes en Cancérologie et Neurosciences |
Financement :
Gratification réglementaire de stage