Modèles hiérarchiques en imagerie MEG/EEG (application à la création rapide de cartes rétinotopiques)

Combinées à des techniques de reconstruction d'image, la magnétoencéphalographie (MEG) et l'électroencéphalographie (EEG) ouvrent de nouvelles perspectives pour l'observation et l'exploration de la dynamique cérébrale à l'échelle locale. Cependant, le problème inverse associé est mal posé et doit être régularisé par l'introduction d'a priori sur le modèle d'image. Les a priori classiques - par exemple quadratiques en la norme des courants neuronaux - mènent à des images de l'activité cérébrale qui sont souvent trop lisses pour permettre de localiser de façon précise les générateurs corticaux. Des approches plus spécifiques améliorent théoriquement la détection des distributions de courant plus ou moins étendues mais souffrent de problèmes de passage à l'échelle qui limitent leurs applications. L'objet de ce travail de thèse a été de concilier les deux approches en proposant une méthode multirésolution qui parcellise de façon itérative la surface corticale à partir d'a priori anatomiques et fonctionnels tels que la courbure du cortex et/ou l'utilisation d'atlas provenant d'investigations neuroscientifiques. L'approche d'imagerie multirésolution est abordée ici comme une méthode de sélection de modèle fondée sur le principe d'erreur de validation croisée généralisée. La modélisation des courants générés par des parcelles continues de la surface corticale est réalisée à partir d'un modèle paramétrique compact fondé sur les multipôles de courants équivalents.When combined with image reconstruction techniques, magnetoencephalography (MEG) and electroencephalography (EEG) may open new windows for the observation and exploration of time-resolved brain processes at the local-regional spatial scale.The ill-posedness of the associated inverse problem however, necessitates the introduction of image models as regularizing priors. Basic priors - e.g. quadratic in the norm of the expected neural currents - yield images of brain activity that are often too smeared for the satisfactory elucidation of specific neuroscience questions that focus on localization. On the other hand, more sophisticated prior image models - even though they would theoretically improve the detection of sparse-focal current distributions - suffer from scalability issues that imped their practical impact. In this PhD work, my primary objective was to reconcile the best of both approaches. I have derived a multiresolution imaging technique which proceeds iteratively to the fit of image models based on the parcellation of the cortical surface. This latter derives from anatomical and functional priors such as the curvature of the cortical manifold, and/or the coregistration to some atlas relevant to the neuroscience investigation. Technically, the multiresolution imaging technique is approached as an empirical model selection procedure optimized according to the least-generalized cross validation (GCV) error principle. Further, the piecewise current model is adequately approached using a compact parametric model based on equivalent current multipoles.ORSAY-PARIS 11-BU Sciences (914712101) / SudocSudocFranceF