Cedalion réunit l’imagerie cérébrale optique en Python

Sept notebooks Jupyter exécutables dans le cloud offrent une nouvelle porte d’entrée vers l’imagerie cérébrale optique : aucune configuration locale, mais un parcours guidé à travers Cedalion, un framework Python développé par des chercheurs de BIFOLD et de TU Berlin. Ce tutoriel rassemble les outils d’analyse du domaine dans un même environnement, avec pour objectif affiché de faciliter l’utilisation, le partage et la reproduction des données cérébrales recueillies avec des dispositifs portables.

Les mesures sous-jacentes sont conçues pour être utilisées au-delà de l’IRM. La spectroscopie fonctionnelle dans le proche infrarouge, ou fNIRS, suit l’activité cérébrale grâce aux variations du débit sanguin cortical ; la tomographie optique diffuse, ou DOT, étend cette approche en apportant davantage d’informations sur la localisation et la profondeur. Comme la fNIRS est portable, les chercheurs peuvent l’utiliser pendant les déplacements et en dehors du laboratoire, et la combiner avec l’EEG — des enregistrements de l’activité électrique du cerveau — ainsi qu’avec des signaux physiologiques.

Cedalion relie une chaîne qui était auparavant répartie entre plusieurs environnements logiciels : simuler la circulation de la lumière dans les tissus, estimer la position des capteurs sur la tête, contrôler la qualité du signal, corriger les artefacts, modéliser des séries temporelles multimodales avec des modèles linéaires généraux, reconstruire des images DOT et appliquer le machine learning. Sa conception open source s’appuie sur les outils MATLAB Homer2/3 et AtlasViewer, en transposant leur expérience méthodologique dans Python. Ces travaux sont présentés dans un tutoriel publié dans Neurophotonics.

Qu’est-ce qui change en pratique ? Un chercheur peut développer une méthode, la comparer à celles qui existent déjà et partager un workflow complet dans le même environnement, au lieu de demander à ses collègues de reconstruire l’analyse manuellement. La prise en charge par Cedalion des standards de données ouverts SNIRF et BIDS, ses notebooks exécutables dans le cloud et ses liens automatiques vers les publications sources offrent également aux autres équipes un moyen plus clair de reproduire les travaux. Cela compte pour les études portant sur le décodage cérébral, le suivi clinique ou les tâches motrices et cognitives suivies avec des capteurs portables.

L’optimisme a ses limites. Certaines fonctions, notamment la simulation de photons et l’entraînement de modèles de machine learning, peuvent être coûteuses en calcul, même si les auteurs présentent les options GPU, CPU et cloud comme des moyens de prendre en charge ce coût. Les chercheurs doivent toujours déterminer si les méthodes de machine learning sont solides sur le plan méthodologique, et l’évaluation systématique des pipelines de la communauté sur des jeux de données standardisés reste inachevée. Les sept notebooks facilitent le premier pas ; ils ne dispensent pas de tester la suite.