La fusion des modalités MEG et EEG dans la fonction BEst de Brainstorm

Objectifs en neuro-imagerie du sommeil

Le rythme cérébral pendant le sommeil contient des oscillations lentes et des fuseaux de sommeils. L’étude de ces deux types d’oscillations permettra de comprendre la dynamique et la stabilité spatio-temporelle des fuseaux et ondes lentes de sommeil, chez une cohorte de jeunes sujets en privation de sommeil. On veut également savoir si ces deux types d’oscillations sont couplés par leurs générateurs. Dans cet ordre d’idée, le deuxième objectif consiste à obtenir un consensus sur les fuseaux de sommeil en classant tous les fuseaux dans des groupes de ressemblance spatiotemporelle. Cette classification sera un consensus qui permettra de déterminer s’il existe une tendance sur la dynamique spatio-temporelle des fuseaux dans le groupe en question. Enfin, les localisations des fuseaux se feront à partir de l’outil de fusion MEEG développé dans ce projet (objectif #1). Les résultats seront comparés au même procédé, mais en utilisant la MEG seulement. Le troisième objectif consiste à observer la dynamique spatio-temporelle de la moyenne des ondes lentes de la cohorte. La localisation de cette onde lente moyenne en utilisant la fusion MEEG permettra d’observer cette dynamique. Les résultats seront aussi comparés avec ceux obtenus de la MEG. On peut alors comprendre comment l’onde lente se propage dans le temps et ainsi déceler des anomalies lorsqu’une personne présente un trouble du sommeil.

Cet objectif est plus simple que le précédent qui consistait à classer les fuseaux en groupes. Ici, on regroupe les ondes lentes dans une seule classe et on localise la moyenne du groupe. Enfin, le quatrième objectif combinera les deux types d’oscillations. On veut étudier ce qu’il y a de significativement différent dans la dynamique spatio-temporelle des fuseaux lorsqu’il y a une onde lente à proximité ou pas. Ceci permettra de déterminer s’il existe deux types de fuseaux et ce qui les distingue. On pourra ainsi voir comment les fuseaux sont liés aux ondes lentes. Cet objectif n’est pas sans rappeler le deuxième objectif qui avait pour but de différencier des types de fuseaux en les classant automatiquement en groupes. Ici, on connait les fuseaux qui sont à proximité ou non d’une onde lente, on a alors deux groupes et on veut observer leur dynamique spatio-temporelle. Sachant que les fuseaux et ondes lentes sont associés au mécanisme de la consolidation de la mémoire, il est donc intéressant de comprendre ce qui distingue un fuseau avec onde lente de celui qui n’en a pas. On peut alors déterminer un lien entre ces deux types d’oscillations.

La magnétoencéphalographie Tout comme l’EEG, la MEG est un outil non invasif d’acquisition de donnée physiologique. Cet instrument (Figure 1.9) capte le champ magnétique émis par le cerveau. Le signal capté par la MEG est de l’ordre du femto Teslas (10-15). Ainsi, la MEG est installée dans un environnement contrôlé évitant les perturbations magnétiques du milieu ambiant, dont le champ magnétique terrestre qui est environ un milliard de fois plus fort que ce qui est mesurable par l’instrument. La partie supérieure de la MEG est un réservoir d’hélium qui permet de refroidir le dispositif supraconducteur d’interférence quantique (SQUID), ce qui permet la mesure du champ magnétique de l’activité cérébrale. Une mesure en MEG place l’individu en position assise/couchée dans la machine et les capteurs se trouvent très près de la tête. L’instrument à l’avantage de posséder un très grand nombre de capteurs, soit environ cinq fois plus de capteurs que l’EEG standard. En date de ce mémoire, la machine installée dans les locaux de l’Université de Montréal en contient 272. D’ailleurs, une des raisons pourquoi la MEG contient plus de capteurs que l’EEG ne contient d’électrodes est que l’instrument MEG a d’abord été conçu pour faire de la neuro-imagerie. En augmentant le nombre de capteurs, on obtient une meilleure résolution spatiale de l’activité captée. Enfin, il est à noter que l’EEG n’a pas été conçu pour faire de la neuro-imagerie. C’est plutôt le signal même qui est étudié. Toutefois, on a vu que l’EEG et la MEG sont complémentaires dans la façon dont les courants électriques et les champs magnétiques sont propagés dans la tête. Ainsi, combiner l’information obtenue de ces deux outils viendrait améliorer la localisation de l’activité corticale.

La résolution du problème inverse

Le problème inverse a brièvement été mentionné dans l’introduction de ce mémoire. Rappelons que plusieurs solutions (J) au problème peuvent donner la même réponse sur les capteurs (M). Le problème est donc mal posé. Avant de résoudre le problème inverse, voici le problème direct: Le Tableau 2.1 détail les éléments contenus dans l’équation 2.1 La matrice « J » est celle des courants des sources du cortex. Chacune de ces sources génère un courant en ampère mètre (Am) et l’intensité de ce courant indique l’intensité d’activité des regroupements de neurones. Plus le courant est fort, plus il y a de neurones en activités. Chercher les valeurs de « J » revient à localiser l’activité des groupes de neurones (sources) sur le cortex. Bien qu’on connaisse le signal provenant de l’activité de chacune des sources en utilisant la matrice de gain (G), cette matrice ne suffit pas à expliquer la contribution des signaux (M) sur chacune des sources (J), puisque la matrice de gain n’est pas inversible. Le problème est sous-déterminé. Il faut donc trouver une façon de limiter la probabilité de se tromper. L’instauration de connaissance a priori dans notre problème aidera en ce sens. Il existe deux façons de résoudre le problème inverse: les méthodes dipolaires ou les méthodes distribuées. Les prochaines lignes donneront quelques explications sur ces méthodes de résolution de problème inverse.

Méthodes dipolaires Selon Schneider (1972) et de Munck et coll. (1988), les méthodes dipolaires n’utilisent que quelques sources pour expliquer les données. La technique consiste à minimiser l’erreur quadratique des mesures des capteurs par rapport à celles de ces quelques sources en trouvant les meilleurs paramètres qui définissent leurs positions, orientations et amplitudes. La recherche des paramètres se fait avec un algorithme de fouille, dipôle par dipôle. La contribution du dipôle est soustraite, ce qui laisse les « restes » du signal pour les prochains dipôles. Le but est d’obtenir une erreur quadratique minimale. Cette méthode est sousoptimale, car l’ajout d’un dipôle vient expliquer au mieux le résidu obtenu de l’itération précédente. Habituellement le nombre de dipôles (N) utilisé pour expliquer les données est limité à trois (N=3). La position des dipôles dans le maillage initial prend de l’importance dans cet algorithme de fouille. Il suffit qu’un dipôle soit légèrement décalé ou mal orienté dans le maillage initial, pour que l’algorithme le sélectionne ou pas. De plus, le premier dipôle prend la majeure partie de l’information, ce qui le rend très important. C’est d’ailleurs pour cette raison que cette méthode est aussi appelé algorithme glouton. Aussi, il ne faut pas oublier le fait que l’algorithme de fouille peut nous entraîner dans un minimum local de la solution. Enfin, les techniques dipolaires sont par définition très focales. Donc, une activité cérébrale étendue ne sera pas efficace avec cette technique. Notons toutefois que cette méthode est utilisée à l’heure actuelle en clinique aux États-Unis.

Méthodes distribuées

Contrairement aux méthodes dipolaires, les méthodes distribuées utilisent un grand nombre de sources pour expliquer les données. Par contre, puisque le nombre de sources est supérieur au nombre de capteurs, l’opérateur G de l’équation 2.1 n’est plus inversible algébriquement. Certes, la pseudoinverse2 de la matrice de gain peut aider à résoudre le problème, mais elle explique autant les données que le bruit des mesures. Ainsi, Dale et Sereno (1993) régularisent la solution au problème en y ajoutant de l’information a priori. Cette information sera définie dans f(J) dans l’équation suivante : Il existe plusieurs façons d’exprimer une solution optimale à partir de l’équation précédente. Il faut définir la fonction qui traite les sources dans le terme de droite de l’équation, soit f(J). Les prochaines techniques se penchent sur ce problème en ajoutant des connaissances a priori au problème afin d’obtenir la meilleure configuration de sources qui explique les données. Notons ici que les techniques utilisées dans ce travail utilisent d’abord un a priori qui consiste à contraindre les neurones (dipôles) perpendiculairement au cortex pour les raisons mentionnées dans la mise en contexte.

Table des matières

INTRODUCTION À L’IMAGERIE FONCTIONNELLE DU SOMMEIL
CHAPITRE 1 MISE EN CONTEXTE
1.1 La structure neuronale du cerveau
1.2 Les lobes du cortex
1.3 L’activité électromagnétique dans le cerveau
1.3.1 L’électroencéphalographie
1.3.2 La magnétoencéphalographie
CHAPITRE 2 REVUE DE LITTÉRATURE
2.1 Méthodes de neuro-imagerie électromagnétiques
2.1.1 Cartographie du cortex
2.1.2 La résolution du problème inverse
2.1.3 La fusion des modalités MEG et EEG
2.2 Les différents rythmes de l’activité cérébrale
2.3 Le sommeil
2.3.1 Les ondes lentes
2.3.2 Les fuseaux
CHAPITRE 3 MÉTHODOLOGIE DE LA FUSION MEEG ET DE CLASSIFICATION SUR UN CRITÈRE SPATIOTEMPORELLE
3.1 Logiciel Brainstorm
3.2 Structure BEst de Brainstorm
3.3 La fusion des modalités MEG et EEG dans la fonction BEst de Brainstorm
3.3.1 La normalisation des données EEG et MEG
3.3.2 La conception d’un modèle a priori par la parcellisation du cortex
3.4 Représentation temps-fréquences
3.5 Modifications de fonctions pour considérer la fusion MEEG dans le wMEM
3.6 Validation du fonctionnement de la fusion MEEG dans Brainstorm
3.7 Autres modifications au wMEM de BESt
3.8 Méthode de classification d’oscillations spontanées
3.8.1 Extraction de caractéristiques d’une localisation de sources
3.8.2 La classification avec l’aide d’une métrique
3.8.3 La liaison des oscillations
CHAPITRE 4 APPLICATION AUX OSCILLATIONS DU SOMMEIL
4.1 Consensus sur les fuseaux de sommeils
4.2 Dynamique des ondes lentes de sommeil
4.3 Contraste entre fuseaux avec et sans ondes lentes de sommeil
CHAPITRE 5 PRÉSENTATION ET INTERPRÉTATION DES RÉSULTATS D’APPLICATIONS
5.1 Classification des fuseaux de sommeil selon leur dynamique spatiotemporelle
5.2 Étude de la dynamique des OL de sommeil
5.3 Étude des fuseaux avec et sans ondes lentes
CHAPITRE 6 DISCUSSION
6.1 Choix de la baseline pour validation du wMEM
6.2 Matrice du cortex pour les simulations de validation de la fusion MEEG
6.3 Nombre de simulations pour la validation de la fusion MEEG
6.4 Regroupement des fuseaux
6.5 Amélioration des mesures
CONCLUSION
RECOMMANDATIONS
ANNEXE I FUSION MEEG DANS LE WMEM DE BRAINSTORM
ANNEXE II THÉORIE SUR LES ONDELETTES
ANNEXE III CLASSIFICATION DES FUSEAUX EN MEG
BIBLIOGRAPHIE

Télécharger le rapport complet