– H. Raguet : A Signal Processing Approach to Voltage-Sensitive Dye Optical Imaging

Carte non disponible

Date/heure
Date(s) - 12 décembre 2014

Catégories Pas de Catégories


UNE APPROCHE MATHÉMATIQUE DE L’IMAGERIE OPTIQUE PAR COLORANT POTENTIOMÉTRIQUE\nRésumé : L’imagerie optique par colorant potentiométrique est une méthode\nd’enregistrement de l’activité corticale prometteuse, mais dont le\npotentiel réel est limité par la présence d’artefacts et d’interférences\ndans les acquisitions.\nÀ partir de modèles existant dans la littérature, nous proposons un\nmodèle génératif du signal basé sur un mélange additif de composantes,\nchacune contrainte dans une union d’espaces linéaires déterminés par son\norigine biophysique.\nMotivés par le problème de séparation de composantes qui en découle,\nnous développons :\n(1) des régularisations convexes structurées spatialement, généralisant\nen particulier des outils classiques de parcimonie groupée et de\npénalisation de variation totale \ ;\n(2) un nouvel algorithme proximal de premier ordre, primal, pour\nminimiser efficacement la fonctionnelle qui en résulte, qui contient à\nla fois des termes non différentiables, et des termes dont l’opérateur\nde proximité ne peut être calculé facilement \ ;\n(3) des méthodes statistiques de sélection de paramètre basées sur\nl’estimateur non biaisé du risque de Stein.\nNous développons par la suite un logiciel de séparation de composantes\nen présence de bruit, et évaluons ce logiciel sur différentes données\nd’imagerie optique, montrant des résultats encourageants quant à la\npossibilité d’observer des dynamiques corticales complexes.\n\nA Signal Processing Approach to Voltage-Sensitive Dye Optical\nImaging\nAbstract : The voltage-sensitive dye optical imaging (VSDOI) is a promising\nrecording modality for the cortical activity, but its practical\npotential is limited by many artifacts and interferences in the\nacquisitions. Inspired by existing models in the literature, we propose\na generative model of the signal, based on an additive mixtures of\ncomponents, each one being constrained within an union of linear spaces,\ndetermined by its biophysical origin. Motivated by the resulting\ncomponent separation problem, which is an underdetermined linear inverse\nproblem, we develop :\n(1) convex, spatially structured regularizations, extending in\nparticular the popular tools of group sparsity and discrete total\nvariation regularization\ ;\n(2) a new primal, first-order proximal algorithm for minimizing\nefficiently the resulting functional, which presents both\nnondifferentiable terms, and terms whose proximity operator cannot be\neasily computed\ ;\n(3) statistical methods for automatic parameters selection, based on\nStein’s unbiased risk estimate.\nWe develop subsequently a software for noisy component separation, and\nevaluate this software on different VSDOI data set, showing encouraging\nperspectives for the observation of complex cortical dynamics.[