De nombreuses applications de l'imagerie TEP-IRM conjointe nécessitent une analyse statistique de ces images à travers les sujets lors d'études de groupe en recherche clinique, ou longitudinalement sur un sujet donné la pratique clinique. Cette analyse statistique peut être difficile à cause du grand nombre de paramètres à estimer et les problème associés: le petit nombre d'échantillons observés comparé à la taille des images multi-modales (quand il n'est pas possible de définir des régions d'intérêt a priori) et les faible rapport signal-à-bruit des images fonctionnelles (TEP ou IRM).
Pour optimiser la sensibilité des tests statistiques tout en conservant un contrôle rigoureux des faux positifs, il est essentiel de prendre en compte la structure des images multi-modales: non seulement les deux modalités partagent de l'information, mais cette information est mieux capturée lorsqu'on considère des motifs d'imagerie qui correspondent mieux aux structures des images que la grille de voxels. En effet, l'analyse par voxel est limitée par les problèmes de comparaisons multiples et la malédiction de la dimension. Une façon particulièrement adaptée de prendre en compte la structure d'image dans l'analyse statistique est de recourir à l'apprentissage de dictionnaire: plusieurs composantes spatiales sont identifiées à partir d' un modèle de mélange et d'un a priori structurel sur les composantes d'intérêt.
Nous allons mettre au point des procédures dédiées à l'imagerie conjointe des données TEP et IRM qui ont de bonnes caractéristiques de convergence et peuvent être calculées efficacement.
English version
Many applications of joint PET-MRI image require statistical analysis of these images, across subjects for group studies in clinical research, and longitudinally on a single subject in clinical practice. This statistical analysis might be challenging due to the number of parameters to investigate and associated issues: the small number of available samples compared to the large size of the multi-modal images (when it is not possible to define ROIs a priori) and the possibly low Signal-to-Noise of the functional images (be they MR or PET images).
To optimize the sensitivity under an accurate control of the specificity when performing inference, it is thus essential to account for the structure of multi-modal images: not only do the two modalities share information, but also this information is best captured by considering image patterns that match the underlying physiopathology rather than voxels. Indeed, a voxel-level statistical analysis is plagued by fundamental limitations such as multiple comparisons or the curse of dimensionality. Taking into account the image structure in the statistical analysis is typically performed by means of a dictionary learning procedure: several components are identified based on a linear mixing model together with a prior on their statistical structure.
We will design some procedures dedicated to the joint modeling of PET and MRI that enjoy good convergence properties and computational efficiency.
Participants / Partners:
Responsable / Leader: Gaël Varoquaux (CEA NeuroSpin)
Fig.2 Dictionary models learned from the data (called parcellations in the above figure) can be integrated into an inferential framework as a means to regularize spatially the statistical inference done to compare brain images with external (behavioral or genetic) data. This framework has been tested successfully on group functional MRI studies and will be extended to PET imaging within PIM.