EEG-fMRI integration for identification of active brain regions using sparse source decomposition

L'électroencéphalographie (EEG) est une technique d'imagerie cérébrale non invasive importante, capable d'enregistrer l'activité neuronale avec une grande résolution temporelle (ms), mais avec une résolution spatiale faible. Le problème inverse en EEG est un problème difficile, fortement sous-déterminé : des contraintes ou des a priori sont nécessaires pour aboutir à une solution unique. Récemment, l'intégration de signaux EEG et d'imagerie par résonance magnétique fonctionnelle (fMRI) a été largement considérée. Les données EEG et fMRI relatives à une tâche donnée, reflètent les activités neuronales des mêmes régions. Nous pouvons donc supposer qu'il existe des cartes spatiales communes entre données EEG et fMRI. En conséquence, résoudre le problème inverse en EEG afin de trouver les cartes spatiales des sources EEG congruentes avec celles obtenues par l'analyse de signaux fMRI semble être une démarche réaliste. Le grand défi reste la relation entre l'activité neuronale électrique (EEG) et l'activité hémodynamique (fMRI), qui n'est pas parfaitement connue à ce jour. La plupart des études actuelles reposent sur un modèle neurovasculaire simpliste par rapport à la réalité. Dans ce travail, nous utilisons des a priori et des faits simples et généraux, qui ne dépendent pas des données ou de l'expérience et sont toujours valides, comme contraintes pour résoudre le problème inverse en EEG. Ainsi, nous résolvons le problème inverse en EEG en estimant les sources spatiales parcimonieuses, qui présentent la plus forte corrélation avec les cartes spatiales obtenues par fMRI sur la même tâche. Pour trouver la représentation parcimonieuse du signal EEG, relative à une tâche donnée, on utilise une méthode (semi-aveugle) de séparation de sources avec référence (RSS), qui extrait les sources dont la puissance est la plus corrélée à la tâche. Cette méthode a été validée sur des simulations réalistes et sur des données réelles d'EEG intracrânienne (iEEG) de patients épileptiques. Cette représentation du signal EEG dans l'espace des sources liées à la tâche est parcimonieuse. En recherchant les fonctions d'activation de fMRI similaires à ces sources, on déduit les cartes spatiales de fMRI très précises de la tâche. Ces cartes fournissent une matrice de poids, qui impose que les voxels activés en fMRI doivent être plus importants que les autres voxels dans la résolution du problème inverse en EEG. Nous avons d'abord validé cette méthode sur des données simulées, puis sur de