Les chercheurs de Skoltech ont proposé une méthode d’interprétation des données d’activité cérébrale qui s’est avérée jusqu’à cinq fois plus précise que la technique conventionnellement utilisée dans les cas où les données d’IRM contenaient des artefacts ou où seul un modèle de tête à faible résolution était disponible. Signalé dans Transactions IEEE sur l’imagerie médicale, les résultats sont utiles pour traiter l’épilepsie résistante aux médicaments et comprendre les processus cognitifs dans le cerveau sain, y compris la façon dont il réagit aux stimuli visuels et enregistre de nouveaux mots.
La cartographie de l’activité cérébrale est le moyen standard de déterminer quelles parties du cerveau sont impliquées dans une tâche cognitive spécifique – par exemple, recevoir des informations sensorielles en piquant un chat avec un doigt – ou impliquées dans des processus pathologiques, tels que les crises d’épilepsie ou les troubles du sommeil. L’activité cérébrale est généralement enregistrée par électro- ou magnétoencéphalographie, abrégé EEG et MEG, respectivement. La première technique consiste à placer un réseau d’électrodes sur la surface du cuir chevelu pour mesurer les potentiels électriques locaux. La seconde utilise des capteurs pour enregistrer le champ magnétique plutôt que les potentiels, mais les deux mesures sont des proxys pour détecter et localiser les courants électriques dans le cerveau.
“L’EEG existe depuis environ 100 ans, et certains types d’activité neuronale sont très bien étudiés”, a expliqué l’auteur principal de l’étude, le chercheur principal Nikolay Yavich de Skoltech. « Par exemple, il est assez facile pour un médecin expérimenté d’étudier un trouble du sommeil en lisant des données EEG brutes. D’autres cas sont plus difficiles. Pour identifier les points chauds précis dans le cerveau d’un patient qui sont responsables des crises d’épilepsie, les données EEG ou MEG sont combinées avec des IRM haute résolution, qui modélisent la tête du patient, et traitées avec des algorithmes informatiques avancés. À condition que la région gênante soit localisée avec précision, elle peut alors être opérée sans endommager les tissus environnants pour aider un patient épileptique lorsque les médicaments ne fonctionnent pas.
Cependant, les IRM utilisées conjointement avec les cartes d’activité cérébrale ne sont pas toujours parfaites. Ils sont souvent corrompus par le bruit et d’autres artefacts d’image. Cela conduit à des imprécisions dans la segmentation des images. Selon les chercheurs de Skoltech impliqués dans l’étude, leur technique est beaucoup moins sensible à de telles imperfections de données.
«Nous avons découvert que lors de la modélisation de l’activité neuronale sur des modèles de tête à faible résolution, notre méthode était jusqu’à cinq fois plus précise que l’approche conventionnelle. Bien qu’il exige également une charge de calcul plus élevée, les avantages semblent justifier son application », a commenté Yavich.
Cela signifie que la méthode peut aider les scientifiques cognitifs, les neurologues et les chirurgiens du cerveau travaillant avec des données moins que parfaites à comprendre les bases neurologiques sous-jacentes à des maladies telles que l’épilepsie, le trouble déficitaire de l’attention et l’autisme, ainsi que les processus cognitifs sains impliqués dans la mémoire, les sens perception, locomotion, et plus encore.
Référence : « Modélisation conservatrice par éléments finis d’EEG et de MEG sur des grilles non structurées » par N. Yavich ; N. Koshev; M. Malovichko ; A. Razorenova et M. Fedorov, 13 octobre 2021, Transactions IEEE sur l’imagerie médicale.
DOI : 10.1109 / TMI.2021.3119851
La technique utilisée par les chercheurs est appelée méthode des éléments finis hybrides mixtes, ou MHFEM. Son précision a été comparée à la méthode des éléments finis nodaux conventionnelle, P1 FEM en abrégé. Le but des deux méthodes d’interprétation des données EEG et MEG est de résoudre les équations constituant ce que l’on appelle le problème direct. Les méthodes diffèrent en ce que les courants neuronaux calculés avec MHFEM sont toujours physiques puisqu’ils satisfont la loi de conservation de charge, alors que P1 FEM ne possède pas cette propriété.
Le chercheur principal de l’étude rapportée dans cet article, Maxim Fedorov est l’ancien vice-président de Skoltech pour l’IA et la modélisation mathématique. Il est maintenant recteur de Université Sirius des sciences et de la technologie.
