Localisation et dynamique des sources d'activité cérébrale par fusion d'informations multimodales EEG/IRMf

Fusionner les informations issues des données d'électroencéphalographie (EEG) et d'imagerie par résonance magnétique fonctionnelle (IRMf) permettrait une meilleure caractérisation spatio-temporelle de l'activité cérébrale. Prenant en compte l'éventuel découplage entre les activités bioélectrique et hémodynamique, nous avons développé trois modèles graphiques hiérarchiques associés à des procédures d'inférence bayésienne :-Un modèle de génération des données EEG encapsulant toute l'information physiologique disponible sur la structure attendue des sources d'activité cérébrale. Ce modèle de mélange de sources étendues recompose l'information de l'EEG et définit le profil spatial de l'activité, analogue des cartes d'activation issues de l'IRMf (fusion comparée).-Une méthode quantifiant la pertinence de tout a priori issu de l'IRMf que l'on envisage d'introduire dans la résolution du problème inverse EEG. Nous pouvons ainsi décider si les sources d'activité vues par l'IRMf auraient pu, ou pas, générer les données EEG et, ainsi, choisir entre les solutions du problème inverse contrainte et non contrainte par l'IRMf (fusion contrainte).-Un modèle de génération des données conjointes EEG/IRMf, via la définition du substrat commun des sources de l'EEG et de l'IRMf s'appuyant sur la décomposition spatio-temporelle du modèle de mélange de sources étendues. Ce modèle de réponses spatialement concordantes généralise les deux premières approches (fusion conjointe) et identifie les sources actives bioélectriquement et hémodynamiquement.Ces modèles ont été évalués sur données simulées et validés sur données réelles dans le contexte de la caractérisation du réseau épileptogène.Combining electroencephalography (EEG) and functional Magnetic Resonance Imaging (fMRI) should enable better characterization of brain activity in both space and time. To do so, the potential decoupling between haemodynamic and bioelectric must be accounted for. Therefore, we proposed three graphical and hierarchical models, associated with Bayesian inference processes:-Compared fusion: an EEG data generative model that introduces all available and physiologically plausible information about the expected structure of bioelectric activity. The extended sources mixing model provides a specific feature that can be compared with fMRI activation maps: the spatial profile of the bioelectric sources.-Constrained fusion: a method to assess the relevance of any informative fMRI-derived prior that is to be included in the resolution of the EEG inverse problem. By quantifying the adequacy between EEG data and fMRI active sources, this approach allows us to decide whether the fMRI-based informative prior should, or not, be introduced in the resolution of the EEG inverse problem.-Symmetrical fusion: a joint EEG/fMRI data generative model, which defines spatially concordant (bioelectric and haemodynamic) responses. Based on the spatio-temporal decomposition of the extended sources mixing model, this approach defines the spatial substrate common to EEG and fMRI activity sources. This extends both previous approaches, and allows us to identify the areas of strong coupling between bioelectric and haemodynamic activities.The three approaches were extensively evaluated on simulated data and validated on real patient data in the context of epileptogenic network characterization.ORSAY-PARIS 11-BU Sciences (914712101) / SudocSudocFranceF