Les processus neuronaux qui sous-tendent les capacités cognitives humaines ou animales peuvent être relativement difficiles à extraire et interpréter. La visualisation de données joue un rôle déterminant dans la compréhension de ces processus.

Contexte clinique

Enregistrement intra-cérébraux profonds

Le recueil du signal intracérébral profond permet de combiner les avantages d'un IRM en termes de précision spatiale et d'un EEG en termes de précision temporelle du signal cérébral.

Ces deux images sont réalisées à l'aide de visbrain (python).

Epilepsie pharmacorésistante
Les patients implantés souffrent d'une forme d'épilepsie résistante aux médicaments. Une solution pour les libérer de leurs crises consiste en la résection chirurgicale de la zone épileptogène, à condition que cette dernière soit locale et non-fonctionnelle. Des explorations non-invasives sont menées pour tenter de localiser cette zone, mais si elles échouent, une exploration invasive par des électrodes intracérébrales profondes est alors proposée au patient.

Nature des hypothèses et des mesures
L'implantation des électrodes est uniquement guidée par des hypothèses cliniques et les hypothèses de recherche n'interviennent pas dans leur localisation. Le signal cérébral des patients est enregistré 24h/24 et 7j/7 pendant près de deux semaines. Le/la patient(e) est ainsi enregistré(e) au cours de phases d'activité, de repos, de sommeil... Les équipes de recherches, associées aux équipes médicales, recueillent et analysent le signal cérébral dans le but d'identifier des marqueurs électrophysiologiques du réseau épileptogène.

Traitement des données
Les électrodes en platine-irridium (DIXI MEDICAL) sont constituées de deux types de canaux d'enregistrement : des macroélectrodes permettant de mesurer le signal de populations neuronales en général à une fréquence de 512Hz à 2KHz et des microélectrodes pouvant enregistrer le signal de neurones unitaires à 30KHz. La précision temporelle est de l'ordre du dixième de milliseconde et la précision spatiale de l'ordre du micromètre.

La taille de ces données et leur complexité sont conséquentes. L'utilisation d'outils informatiques et mathématiques de dernière génération est nécessaire à leur analyse et à leur compréhension, d'un point de vue clinique et fondamental.


DEVELOPPEMENT D'OUTILS D'ANALYSE & VISUALISATION

Les outils présentés ci-dessous ont pu être développés grâce à un travail collaboratif entre chercheurs, ingénieurs, médecins, étudiants... La plupart de ces outils sont encore en cours de développement. Python est le langage principalement utilisé.


Détection automatique & visualisation d'oscillations cérébrales rapides pathologiques

Développement : GARDY Ludovic
Aide au développement :
CUROT Jonathan (acquisition, traitement, interprétation)
Financement : Université Fédérale de Toulouse & Région Occitanie
Direction : CerCo - CNRS, ENAC - BARBEAU Emmanuel, HURTER Christophe
Année : 2020
GUI : PyQt

Cet outil permet la détection automatique et la visualisation de signaux cérébraux pathologiques en épilepsie. Les oscillations à hautes fréquences ciblées sont très difficiles à détecter et à trier parmi la quantité énorme de signal non-pathologique et d'artéfacts électriques, neuronaux, ou de mouvement. Les 3 panneaux de gauche montrent le même signal de 400 ms avec en haut le signal brut, au milieu le signal filtré entre 200Hz et 600Hz, en bas la transformation temps-fréquence du signal (wavelettes continues). Le panneau de droite montre la densité spectrale normalisée ainsi que les résultats de différentes mesures permettant de caractériser les oscillations pathologiques.

Des interactions basiques permettent à l'utilisateur de naviguer dans le signal spatialement et temporellement, de zoomer/dézoomer...

Des interactions plus évoluées permettent de filtrer le signal dans une ou plusieurs bandes de fréquences, de normaliser le signal, de modifier le label de l'événement détecté (pathologique/non-pathologique/artefact...) dans la base de données, d'identifier le début et la fin d'un événement dans le signal...

Un algorithme de Deep Learning est également relié à cette interface et permet de détecter, d'enregistrer, de répertorier et visualiser des événements pathologiques dans des enregistrements en SEEG bruts.

Détection automatique & visualisation en temps réel de pointes épileptiques

Développement : GARDY Ludovic
FinancementUniversité Fédérale de Toulouse & Région Occitanie
Direction : CerCo - CNRS, ENAC - BARBEAU Emmanuel, HURTER Christophe
Année : 2019
GUI : PyQt

Cet outil permet la détection automatique et la visualisation en temps réel de pointes épileptiques, marqueurs du réseau épileptique. La détection de ces pointes épileptiques pathologiques est basée sur l'estimation de densité par kernel. Le signal temporel est ainsi transformé en image pour qu'un kernel à deux dimensions puisse y être appliqué e évaluer les densité. Dans un article que nous avons proposé en 2019, accepté en 2020 (Gardy et al., 2020), nous avons montré que la détection des pointes épileptiques par estimation de densité était une méthode efficace et relativement résistante au bruit de fond dans le signal.

Sur l'interface, l'utilisateur dispose de nombreuses possibilités d'interaction, de filtrage, de création de kernel... Les événements pathologiques détectés sont automatiquement enregistrés, l'interface étant davantage un outil de contrôle et de paramétrage.

Visualisation d'imagerie médicale

Développement : GARDY Ludovic
Financement : Université Fédérale Toulouse Midi-Pyrénées & Région Occitanie
Direction : CerCo - CNRS, ENAC - BARBEAU Emmanuel, HURTER Christophe
Année : 2018
GUI : Tkinter

Cet outil relativement simple permet de visualiser des clichés d'imagerie structurelle dans les différents plans. Des options permettent d'interagir avec les images à un niveau basique : rotations, zoom, déplacement, coloration...

Actuellement disponible :

  • Affichage et navigation dans des volumes IRM T1, T2, FLAIR, CT scan...
  • Lecture des formats DICOM et NIFTI.
  • Visualisation dans les 3 plans de coupes : axial, coronal, sagittal.
  • Accès à la sémiologie via la vidéo patient si disponible, correspondant aux enregistrements en EEG et SEEG.

Améliorations prévues :

  • Traitement de l'imagerie fonctionnelle.
  • Normalisation et superposition d'images IRM et CT scan.
  • Interaction avec la visualisation d'un signal EEG/SEEG.

Visualisation de signal EEG et interaction

Développement : GARDY Ludovic
Financement et direction : CerCo, CNRS - REDDY Leila, BARBEAU Emmanuel
Année : 2018
GUI : Tkinter

Cet outil permet de visualiser le signal intracérébral enregistré par des macro ou des micro-électrodes. Des barres verticales superposées au signal cérébral indiquent la présentation d'un stimulus au patient. La nature de ces stimulations est codée au travers de couleurs (ici rouge/bleu) ou de forme (ici trait-plein ou trait-pointillés).

Des interactions permettent à l'utilisateur de naviguer dans le signal spatialement et temporellement, de zoomer/dézoomer...

Potentiels de champs, potentiels évoqués : analyse & visualisation

Développement : GARDY Ludovic
Aide au développement : DEUDON Martin
Financement et direction : CerCo - CNRS - REDDY Leila, BARBEAU Emmanuel
Année : 2018
GUI :
Tkinter

Cet outil est destiné au traitement de données EEG acquises au cours de tâches comportementales ou de stimulations. Les signaux acquis au cours de différents essais pendant la tâche peuvent être superposés et moyennés de manière à obtenir des ERPs, colorés en fonction des conditions. Un panel relativement large d'opérations peut être mis en oeuvre à partir de cette fenêtre pour l'analyse des signaux :

  • 1. Visualisation des ERPs et des traces (epochs)

    - Visualisation des ERPs à plus ou moins large échelle temporelle.
    - Deux conditions dans cet exemple (rouge/bleu).
    - Possibilité de superposer les epochs à l'ERP.
    - Possibilité de naviguer au travers des canaux, d'interagir avec le graphe.
  • 2. Matrices de dissimilarités (RDM) et Analyses représentationnelles de similarité (RSA)

    - Matrices de corrélation entre les différents stimuli (R - 1 = dissimilarité).
    - Possibilité de naviguer au travers des canaux d'enregistrement.
    - Calcul de matrices de corrélation globales prenant en compte plusieurs canaux, par exemple appartenant à une même zone structurelle ou fonctionnelle.
    - Analyse représentationnelle comparant les matrices de dissimilarités de plusieurs régions cérébrales d'intérêt.
  • 3. Multi Variate Pattern Analysis (MVPA)

    - Algorithmes d'apprentissage automatique supervisé.
    - Classification d'éléments complexes multidimensionnels.
    - Reconnaissance de patterns.
    - Généralisation temporelle.
    - Poids des variables.
    - Options : Principal Component Analysis (PCA), Recursive Feature Elimination (RFE), mean pattern removal, random chance level...

Visualisation du signal neuronal


Développement : GARDY Ludovic & DEUDON Martin
Aide au développement : DESPOUY Elodie
Financement et direction : TMBI, CerCo - CNRS - THORPE Simon, BARBEAU Emmanuel
Année : 2017


Cet outil a été développé spécialement pour l'étude du signal de micro-électrodes, en particulier de neurones unitaires. Avant l'étape de visualisation des potentiels d'action, plusieurs étapes de nettoyage, de filtrage et d'extraction des données sont nécessaires. Le rejet des artéfacts et la visualisation du signal micro ont été réalisés à partir du logiciel MicMac (matlab). Le spike-sorting a été réalisé avec Spiking Circus (matlab & python).


  • Visualisation de la liste de neurones détectés par le spike sorting, en fonction de leur électrode de référence.
  • Choix d'un neurone en particulier.
  • Visualisation des potentiels d'action individuels (raster plot) en fonction de la présentation d'un stimulus (axe des y) et du temps (axe des x). La ligne rouge horizontale en pointillés représente le moment d'apparition du stimulus.
  • Visualisation de la forme et de l'amplitude des potentiels d'action.
  • Calcul et visualisation du nombre de potentiels d'action en fonction du nombre de présentations d'un stimulus.
  • Opérations statistiques principalement descriptives.