Pro Yearly is on sale from $80 to $50! »

La représentation des données en neuroscience cognitive

La représentation des données en neuroscience cognitive

Parallèlement aux évolutions technologiques de ces vingts dernières années, l’étude du fonctionnement cérébral a suivi un essor tant dans les approches techniques que méthodologiques.
Cet essor qualitatif et quantitatif des données neurophysiologiques a permis le développement de nouvelles approches dans le traitement de ces données et a nécessité de nouveaux outils de visualisation. Nous proposons de partager avec vous cette histoire en l’abordant du point de vue du chercheur en neurosciences cognitives, qui se doit de représenter rigoureusement les données tout en les rendant accessibles. Nous verrons qu’atteindre cet équilibre est complexe et qu’il nécessite des échanges allant au-delà des neurosciences cognitives, qui passe non seulement par des échanges entre disciplines scientifiques mais aussi par l’éducation des non-initiés.

Manuel Mercier et Yseult Hejja-Brichard, chercheurs en Neurosciences cognitives et comportementales au Centre de Recherche Cerveau et Cognition (CerCo).

4fd94a50bc8f2c18fad2a07631b9d396?s=128

visualisation de données

October 25, 2018
Tweet

Transcript

  1. La représentation des données en neurosciences cognitives Côté neuroimagerie fonctionnelle

    Yseult Héjja-Brichard (yseult.hejja@cnrs.fr) Centre de recherche Cerveau et Cognition Labo CNRS-UPS - équipe ECO-3D
  2. De quoi va-t-on parler? John Graner/wikipedia

  3. Différentes techniques de neuroimagerie Anatomiques/ Structurelles Diffusion Fonctionnelles Xavier Gigandet

    et. al./Wikipedia Erik1980 at Dutch Wikipedia Creative Commons/Wikipedia
  4. Historique de l’imagerie à résonance magnétique 1882: Découverte du champ

    magnétique rotatif (Tesla) 1937: Découverte du phénomène de RMN (Rabi) 1970s: Construction du premier scanner et première image RM 1990s: Disponibilité des premiers équipements IRM à usage clinique 1987: Première image IRMf 1991: Première image DTI 2000s: L’IRM devient une routine dans de nombreux centres Découvertes des propriétés physiques et biologiques de la RMN Émergence des premiers ‘scanners’ IRM Émergence de méthodes neurologiques optimales
  5. Que mesure-t-on? Présupposé important: la circulation sanguine est fonction de

    l’activité cérébrale Condition ‘basale’ Condition ‘active’ BOLD = Mesure de la variation de la consommation d’O2 par le cerveau Comparaison de deux conditions: Basale vs Active Image: Huettel, Song, & McCarthy, 2004, Functional Magnetic Resonance Imaging
  6. A quelles échelles? Bonne résolution spatiale (mm) Mauvaise résolution temporelle

    (sec) Pourcentage de changement du signal (de l’ordre du 1%) Identification des réseaux de régions cérébrales actives pour une tâche Unité: le voxel UCLA Brain Mapping Division
  7. Comment en arrive-t-on à de telles images? John Graner/wikipedia

  8. Derrière la scène: Étapes de pré-traitement Images brutes (conversion) Correction

    mouvement Normalisation espace MNI Acquisition IRM Seuillage individuel (cartes de t) Lissage spatial Modèle statistique (GLM) Coregistration sur l’anatomie IRM anatomique individuelle Filtrage temporel Adaptée de Hassan et al., 2016
  9. Représentation des données IRMf Rokers et al., 2009 Likova &

    Tyler, 2009 Fisher et al., 2005 Ban & Welchman, 2015
  10. Derrière la scène: Diversité des analyses Analyses classiques univariées Chaque

    voxel est indépendant et son intensité varie au cours du temps Condition 1 Condition 2 Réponse physiologique totale Adaptée de Perrachione & Ghosh, 2013 Paramètres d’intérêts: les conditions Paramètres de non intérêts: les corrections de mouvement Condition 1 Condition 2 Condition 3 Condition 4 Cartographie statistique paramétrique (SPM) BOLD HRF https://www.fil.ion.ucl.ac.uk/spm/
  11. Derrière la scène: Diversité des analyses Analyses multivariées (MVPA) Un

    groupe de voxels varie de manière dépendante Haynes & Rees, 2006
  12. Zoom sur les régions d’intérêts → Différences statistiques dans une

    ROI précise, échelle individuelle ou échelle du groupe → Hypothèse basée sur des a priori ROI rétinotopiques ROI fonctionnelles Adaptée de Henriksson et al., 2012 Adaptée de Sperandio & Chouinard, 2015
  13. Derrière la scène: Diversité des logiciels Traitement volumique vs traitement

    surfacique Interface vs Terminal Budget FreeSurfer (https://surfer.nmr.mgh.harvard.edu/) https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/ BrainVoyager (http://www.brainvoyager.com/) SPM12 (https://www.fil.ion.ucl.ac.uk/spm/)
  14. Malgré ces différences, quelques résultats solides Lésion neurologique Exemple de

    la prosopagnosie IRMf: région FFA Corrélats EEG + Redondance notable des études Ghuman et al., 2014 Kleinhans et al., 2015 Behrmann & Plaut, 2014
  15. Ce vers quoi l’on tend ou devrait tendre Augmentation de

    la résolution spatiale de l’IRM → Développement de nouveaux outils Beisteiner et al., 2011 Van der Zwaag et al., 2009
  16. ‘Meilleurs’ outils de visualisation? Logiciels et toolbox assez obscurs et

    limitants, sorte d’écoles Visualisation basée sur l’anatomie: Autres façons de présenter les données? Ce vers quoi l’on tend ou devrait tendre
  17. Stop aux bar graphs? https://barbarplots.github.io/ Clairement différent… Aussi assez clairement

    différent… La même chose! Ce vers quoi l’on tend ou devrait tendre
  18. Ce vers quoi l’on tend ou devrait tendre: Open Science?

    http://www.oasis-brains.org/ https://coins.mrn.org/ https://openneuro.org/
  19. Merci!