Home

Deep Learning for Evaluating the Correlation between Brain Functional Connectivity and Spatial and Language Abilities

Functional Magnetic Resonance Imagery of the resting brain recently showed the presence of distant connections between brain regions. The first goal of this internship is to evaluate if it is possible to predict, given a fMRI of resting brain, the scores at a verbal fluency test and at a mental rotation test. If such a prediction is possible, this will show a link between the variability of the fonctional connectivity between brain regions and verbal and visual-spatial abilities. The second goal is the identification of the actual connexions that are important for this prediction.

To this end, we will exploit fMRI data together with the performances at verbal fluency and mental rotation tests, collected from 439 participants by the Neurofunctional Imaging Group of Bordeaux. The main challenges here is the huge amount of fMRI data required by the project: A single capture is made of 240 3D volums of 170000 voxels each.

The student will develop, and evaluate, guided by his/her supervisors, an approach based on Deep Learning to predict the test performances from the fMRI data.

For more information, please contact Vincent Lepetit.


L’imagerie par résonance magnétique fonctionnelle (IRMf) de l’état de repos du cerveau a récemment mis en évidence la présence de connection à distance entre les régions le constituant. Le but premier de ce stage est d’évaluer si il est possible de prédire, à partir d’un tel IRMf au repos, le score à un test de fluence verbale et une épreuve de rotation mentale. Une telle prédiction, établirait un lien entre la variabilité de la connectivité fonctionnelle des régions du cerveau et les aptitudes verbales et visuo-spatiales. Dans un deuxième temps, si il y a bien une corrélation, on cherchera à identifier quelles connexions exactement sont importantes pour la prédiction.

Pour cela, nous nous appuierons sur les données d’imagerie fonctionnelle au repos, d’une part, et les performances à une épreuve de génération de verbes (fluence verbale) et au “Mental Rotations test” d’autre part, recueillies chez 439 participants à la cohorte BIL&GIN par le Neurofunctional Imaging Group de Bordeaux. Le défi est ici principalement la taille gigantesque des données IRMf nécessaire pour ce projet : Une seule capture est composée de 240 volumes 3D de 170000 voxels chacun.

Pour relever ce défi, le/la stagiaire développera et évaluera, guidé(e) par les superviseurs du stage, une approche basée sur le Deep Learning pour pouvoir prédire les performances de fluence verbale et de rotation mentale à partir des données d’imagerie fonctionnelle au repos.

Pour plus de renseignements, contacter Vincent Lepetit.