Statistical Models for the analysis of ASL and BOLD Magnetic Resonance modalities to study brain function and disease

• Main Author: Frau Pascual, Aina
• Other Authors: Grenoble Alpes
• Language: en
• Published: 2016
• Subjects: ASL; BOLD; IRM functionelle; Modèles statistiques; Cerveau; Functional MRI; Statistical models; Brain; 510
• Online Access: http://www.theses.fr/2016GREAM086/document

Les modalités d'imagerie fonctionnelle et de perfusion sont étroitement liées car les deux mesurent, directement ou indirectement, le débit sanguin cérébral. D’une part, en utilisant le contraste BOLD (Blood-Oxygen-Level-Dependent), l'imagerie fonctionnelle par résonance magnétique (IRMf) exploite les propriétés magnétiques du sang (oxy et désoxyhémoglobine) pour y mesurer les changements locaux de concentration en oxygène: ce couplage neurovasculaire permet de déduire le fonctionnement du cerveau à partir des images IRMf. D’autre part, l'IRM de perfusion reflète le fonctionnement du système vasculaire cérébral en mesurant directement le débit sanguin cérébral. En particulier, l’IRM du marquage de l’eau artérielle (ASL) n'a pas besoin d'agents de contraste: le traceur est remplacé par des spins de protons endogènes d'eau. Habituellement l’ASL est utilisée pour mesurer la perfusion basale au repos. Toutefois, ces dernières années, il a également été utilisé comme une modalité d'imagerie fonctionnelle (comme fASL) en mesurant les variations de perfusion cérébrale induites par la réalisation de tâches cognitives. Contrairement à l'IRMf standard basée sur le contraste BOLD, les résultats sont quantitatifs, ce qui rend ce type de données intéressantes pour son utilisation dans la recherche clinique.Cette thèse porte sur l’étude de la modalité fASL et sur le développement de nouvelles méthodes pour l'analyser. Comme précédemment réalisé pour les données BOLD, un cadre bayésien est développé pour l'analyse des données fASL. Il fournit un moyen de modéliser les valeurs d'activation et les fonctions de réponse hémodynamique et de perfusion en tant que variables probabilistes dans l’approche de Détection-Estimation Conjointe. Les modèles bayésiens utilisent une connaissance a priori pour l'estimation des paramètres inconnus à travers la spécification de distributions de probabilité. Dans ce travail, nous exploitons cette fonction pour incorporer au modèle des informations physiologiques, afin de rendre l'estimation plus robuste. En particulier, nous utilisons des modèles physiologiques basés sur le modèle de ballon pour obtenir un lien entre les réponses hémodynamiques et de perfusion, puis nous utilisons ce lien dans une distribution a priori pour régulariser l'estimation des réponses. En utilisant information physiologique a priori, une solution de type Markov Chain Monte Carlo (MCMC) a été proposée pour l'estimation des quantités contenues dans le signal IRMf. Étant donné que le coût de calcul de cet algorithme est très élevé, nous reformulons le problème pour utiliser une approche variationnelle (VEM) qui fournit un algorithme beaucoup plus rapide avec des résultats similaires. Dans ce cadre, l'introduction d'information a priori et de contraintes est également plus simple.Ces méthodes ont été évaluées sur deux ensembles de données différentes en utilisant des paradigmes événementiels et du bloc, pour des tâches cognitives très simples. Nous montrons les bonnes performances des méthodes proposées par rapport aux méthodes standards, au niveau des sujets et du groupe. Les résultats expérimentaux montrent que les probabilités a priori physiologiques améliorent l'estimation d'une fonction de réponse de perfusion. Ces résultats démontrent également que le contraste BOLD a une meilleure sensibilité pour la détection de l'activité cérébrale évoquée que fASL, bien que la fASL donne une activation plus localisée, ce qui est conforme à la littérature existante. A partir de ces résultats, nous discutons l'impact de la modélisation de la corrélation spatiale, ainsi que l'impact de l'estimation des réponses temporelles.Ce travail propose de nouvelles contributions méthodologiques pour l'étude de la fASL, et les met en perspective avec les techniques existantes. Ainsi, nous proposons de nouveaux outils pour la communauté neuroscientifique, mis en œuvre en python dans le package PyHRF, pour étudier et comprendre le fonctionnement du cerveau. === Functional and perfusion imaging modalities are closely related since they both measure, directly or indirectly, blood flow in the brain. Functional Magnetic Resonance Imaging (fMRI) using the blood oxygen level dependent (BOLD) contrast exploits the magnetic properties of blood (oxy- and deoxyhemoglobin) to measure local changes in blood oxygen concentration in the brain. The neurovascular coupling allows us to infer brain function from fMRI images. Perfusion MRI images the cerebral vascular system by directly measuring blood flow. In particular, Arterial Spin Labeling (ASL) does not need contrast agents; it uses spins of endogenous water protons as a tracer instead. Usually ASL is used to probe the basal perfusion at rest. However, in the recent years, it has also been used as a functional imaging modality (as fASL) by tracking task-related perfusion changes. In contrast to the standard BOLD fMRI, results are quantitative, making this type of data attractive for use in clinical research.This thesis focuses on the investigation of the fASL modality and the development of new methods to analyze it. As previously done for BOLD data, a Bayesian framework is proposed for the analysis of fASL data. It provides a way of modeling activation values and both hemodynamic and perfusion response functions as probabilistic variables in the so-called joint detection estimation (JDE) framework. Bayesian models use a priori knowledge in the estimation of unknown parameters through the specification of probability distributions. In this work, we exploit this feature to incorporate physiological information to make the estimation more robust. In particular, we use physiological models based on the balloon model to derive a link between hemodynamic and perfusion responses and we turn this link into a prior distribution to regularize the estimation of the responses. A Markov Chain Monte Carlo solution with prior physiological knowledge has been first proposed for the estimation of the quantities contained in the fMRI signal. Since the computational cost of this algorithm is very high, we then reformulate the problem to use a variational expectation maximization approach that provides a much faster algorithm with similar results. The use of priors and constraints in this setting is also more straightforward.These methods have been evaluated on two different datasets using event-related and block designs with very simple experimental tasks. We show the performance of the methods investigated in comparison to standard methods at the subject and group levels. Experimental results show the utility of using physiological priors for improving the recovery of a perfusion response function. They also demonstrate that BOLD fMRI achieves better sensitivity to detect evoked brain activity as compared to fASL although fASL gives a more localized activation, which is in line with the existing literature. From the results, we discuss the impact of the modelling of spatial correlation, as well as the impact of the estimation of temporal responses.This work proposes new methodological contributions in the study of a relatively new fMRI modality that is functional ASL, and puts it into perspective with the existing techniques. Thus, we provide new tools for the neuroscientific community to study and understand brain function. These tools have been implemented in python in the PyHRF package.