Analyse des Composantes Évoquées (ECA) : Décomposition des Signaux Fonctionnels Ultrasonores par Régularisation GLM

Introduction générale

L’analyse des données de neuroimagerie fonctionnelle vise à révéler les motifs spatiaux et temporels de l’activité cérébrale. Les méthodes d’analyse des données existantes se divisent principalement en deux catégories : les méthodes entièrement basées sur les données et celles qui dépendent d’informations a priori, comme l’utilisation des schémas de temps de stimulus pour analyser l’activité cérébrale. En général, l’utilisation des signaux de stimulus peut aider à identifier les régions cérébrales actives, mais la réponse du cerveau aux stimuli montre souvent des caractéristiques de non-linéarité et de variation temporelle. Par conséquent, dépendre entièrement des signaux de stimulus pour décrire la réponse temporelle du cerveau peut conduire à une compréhension limitée de la fonction cérébrale.

Dans ce contexte, les auteurs de cet article proposent une nouvelle technique appelée Analyse des Composantes Évoquées (Evoked Component Analysis, ECA), qui utilise des informations a priori comme facteur de guidage, en introduisant une matrice de conception de modèle linéaire généralisé (General Linear Model, GLM) comme terme de régularisation dans un cadre de décomposition de bas niveau, pour décomposer les signaux ultrasoniques fonctionnels en espace et en temps.

Origine de l’article

Cet article a été rédigé par Aybüke Erol, Bastian Generowicz, Pieter Kruizinga et Borbála Hunyadi. Ils appartiennent respectivement au groupe de systèmes de traitement du signal de l’Université de Technologie de Delft et au Centre d’imagerie par ultrasons et du cerveau (CUBE) de l’Erasmus University Medical Center aux Pays-Bas. Cet article est publié dans la revue Transactions on Biomedical Engineering de l’IEEE, avec une publication prévue pour 2024.

Processus de recherche et méthodes

Expérience d’ultrasons fonctionnels 2D

Les recherches ont d’abord été menées sur des souris lors d’expériences d’ultrasons fonctionnels (Functional Ultrasound, FUS) en 2D. Les auteurs ont montré comment effectuer la décomposition ECA sous différentes intensités de régularisation (λ) pour mettre en évidence l’importance des informations a priori. Dans l’expérience, plusieurs fonctions de réponse hémodynamique de la matrice de conception GLM ont été utilisées pour examiner les caractéristiques de l’activité évoquée dans différentes régions. Le processus de recherche est le suivant :

1. Conception de l’expérience : Réalisation d’une expérience ultrasonore fonctionnelle en 2D dans la région cérébrale des souris, affichant 20 blocs de stimulus visuel de 4 secondes chacun, avec des intervalles aléatoires de 10 à 15 secondes entre chaque bloc. La sonde ultrasonore effectue une imagerie transversale.
2. Acquisition et prétraitement des données : Les images 2D obtenues sont traitées pour éliminer le bruit tissulaire basé sur la décomposition en valeurs singulières (SVD), puis soumises à une imagerie Doppler de puissance (Power Doppler Imaging, PDI), et les séries temporelles de chaque pixel sont collectées.
3. Décomposition ECA : Décomposition des données sous différents niveaux de régularisation pour observer son impact sur les réponses dans le cortex visuel (VIS), le corps genouillé latéral (LGN) et la zone motrice primaire (M1).

Expérience de balayage fonctionnel ultrasonore 3D

Ensuite, une expérience de balayage fonctionnel ultrasonore en 3D (Swept-3D FUS) a été réalisée sur cinq souris participant à deux tâches visuelles différentes. Cette méthode implique de déplacer la sonde pour une imagerie séquentielle du cerveau, chaque résultat d’imagerie étant séparé par des points temporels. Le processus de recherche est le suivant :

1. Conception de l’expérience : Utilisation d’une lampe LED comme stimulus, avec des éclairs lumineux pulsant à une fréquence de 3 Hz pendant 5 secondes, suivis de périodes de repos aléatoires de 10 à 16 secondes. Pendant l’expérience, des images volumétriques 3D du cerveau des souris sont surveillées.
2. Traitement et modélisation des données : Standardisation des données collectées, application de l’algorithme ECA pour une décomposition 3D, estimation des matrices de facteurs à chaque point temporel, et comparaison avec les méthodes d’analyse GLM et de corrélation.

Principaux résultats et analyses

Résultats de l’expérience d’ultrasons fonctionnels 2D

L’expérience FUS en 2D a montré qu’en réduisant l’intensité de la régularisation (λ de 5000 à 100), l’algorithme d’analyse des composantes évoquées capture des variations significatives des réponses cérébrales entre les différents cycles de réponse périthème (epoch). Sous une forte régularisation, les réponses du LGN et du VIS sont les plus marquées, tandis que sous une faible régularisation, les niveaux d’activation de la zone motrice primaire (M1) sont les plus élevés. En outre, la modélisation des composantes non régularisées (bruit et activité de fond) a montré que ces composantes étaient principalement liées à l’activité vasculaire.

Résultats de l’expérience de balayage fonctionnel ultrasonore 3D

Dans les expériences sur cinq souris, l’algorithme ECA a été appliqué pour séparer l’activité cérébrale induite par les stimuli pour l’œil gauche et l’œil droit. Les résultats ont montré que l’algorithme ECA permet une description plus précise des réponses temporelles et spatiales du cerveau comparée aux méthodes traditionnelles d’analyse de corrélation et de GLM, produisant des résultats statistiques plus significatifs dans les voies de traitement visuel (comme le noyau suprachiasmatique, le LGN et le cortex visuel), avec des valeurs t plus élevées.

Conclusion et valeur

L’algorithme d’analyse des composantes évoquées (ECA) proposé dans cette étude est d’une grande valeur dans le domaine de la recherche ultrasonore fonctionnelle en ingénierie biomédicale. Ses contributions principales incluent :

1. Innovation de la méthode : L’ECA introduit une matrice de conception de modèle linéaire généralisé dans un cadre de décomposition de bas niveau, en utilisant raisonnablement les informations a priori pour capturer l’activité cérébrale tout en évitant de dépendre entièrement de ces informations.
2. Performance supérieure : L’ECA a montré de meilleurs résultats de décomposition sur les données FUS 2D et 3D, décrivant mieux les réponses temporelles et spatiales du cerveau et produisant des valeurs t plus élevées.
3. Potentiel d’application vaste : Cette méthode peut être utilisée non seulement pour les expériences sur les souris mais aussi pour d’autres recherches en neuroimagerie, ayant une grande importance pour comprendre les variations dynamiques de l’activité cérébrale évoquée par les stimuli.

L’Analyse des Composantes Évoquées (ECA) combine les avantages des modèles guidés et des données motivées, offrant un nouvel outil et une nouvelle perspective pour l’analyse complexe des données de neuroimagerie, enrichissant ainsi les moyens de compréhension et d’analyse des fonctions cérébrales.