Learning representations from functional MRI data

Arthur Mensch 1
1 PARIETAL - Modelling brain structure, function and variability based on high-field MRI data
NEUROSPIN - Service NEUROSPIN, Inria Saclay - Ile de France
Résumé : Grâce aux avancées technologiques dans le domaine de l'imagerie fonctionnelle cérébrale, les neurosciences cognitives accumulent une grande quantité de cartes spatiales décrivant de manière quantitative l'activité neuronale suscitée dans le cerveau humain en réponse à des tâches ou des stimuli spécifiques, ou de manière spontanée. Dans cette thèse, nous nous intéressons particulièrement aux données issues de l'imagerie par résonance magnétique fonctionnelle (IRMf), que nous étudions dans un cadre d'apprentissage statistique. Notre objectif est d'apprendre des modèles d'activité cérébrale à partir des données. Nous proposons différentes nouvelles manières de profiter de la grande quantité de données IRMf disponible. Tout d'abord, nous considérons les données d'IRMf de repos, que nous traitons grâce à des méthodes de factorisation de matrices. Nous présentons de nouvelles méthodes pour calculer en un temps raisonnable une factorisation parcimonieuse de matrices constituées de centaines d'enregistrements d'IRMf. Cela nous permet d'extraire des réseaux fonctionnels à partir de données d'une envergure inédite. Notre méthode principale introduit une réduction aléatoire de la dimension des données dans une boucle d'apprentissage en ligne. L'algorithme proposé converge plus de 10 fois plus vite que les meilleures méthodes existantes, pour différentes configurations et sur plusieurs jeux de données. Nous effectuons une vaste validation expérimentale de notre approche de sous-échantillonnage aléatoire. Nous proposons une étude théorique des propriétés de convergence de notre algorithme. Dans un second temps, nous nous intéressons aux données d'IRMf d'activation. Nous démontrons comment agréger différents études acquises suivant des protocoles distincts afin d'apprendre des modèles joints de décodage plus justes et interprétables. Notre modèle multi-études apprend à réduire la dimension des images cérébrales en entrée en même temps qu'il apprend à les classifier, pour chacune des études, à partir de leurs représentations réduites. Cela suscite un transfert d'information entre les études. En conséquence, notre modèle multi-étude est plus performant que les modèles de décodage appris sur chaque étude séparément. Notre approche identifie une représentation universellement pertinente de l'activité cérébrale, supportée par un petit nombre de réseaux optimisés pour l'identification de tâches.
Type de document :
Thèse
Machine Learning [stat.ML]. Université Paris-Saclay, 2018. English. 〈NNT : 2018SACLS300〉
Liste complète des métadonnées

Littérature citée [65 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01891633
Contributeur : Abes Star <>
Soumis le : mardi 9 octobre 2018 - 18:01:05
Dernière modification le : jeudi 11 octobre 2018 - 01:10:52

Fichier

71188_MENSCH_2018_archivage.pd...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01891633, version 1

Citation

Arthur Mensch. Learning representations from functional MRI data. Machine Learning [stat.ML]. Université Paris-Saclay, 2018. English. 〈NNT : 2018SACLS300〉. 〈tel-01891633〉

Partager

Métriques

Consultations de la notice

125

Téléchargements de fichiers

63