Dimitri Van De Ville nommé conférencier émérite de l'IEEE
© Alain Herzog 2021 EPFL
La Signal Processing Society de l’Institute of Electrical and Electronics Engineers (IEEE SPS) a nommé le professeur de la faculté des sciences et techniques de l’ingénieur conférencier émérite.
Dimitri Van De Ville, professeur à la tête du laboratoire de traitement d’images médicales, vient de recevoir le titre de conférencier émérite pour une durée de deux ans. A travers différentes conférences, il contribuera à la visibilité et à la réputation de son domaine de recherche et de notre institution. Une première présentation sera donnée au Indian Institute of Technology par vidéoconférence, le 2 février à 13h00. Lien pour visionner la conférence.
Le programme IEEE SPS Distinguished Lecturer permet à des chercheurs et des auteurs de renom dans le domaine du traitement du signal de donner diverses conférences. Les conférenciers sont nommés par des comités techniques, les présidents de chapitre, les comités de rédaction et sélectionnés par le conseil d'administration de la Société. Cinq conférenciers ont été nommés pour la période 2021-2022.
Les prochaines conférences du professeur Van De Ville se dérouleront le 26 mars 2021 à 10h30 (IEEE Signal Processing Society, Gujarat Chapter, Nano Electronics and Bioscience Symposium) et le 9 juin 2021 à 17h (29th IEEE Conference on Signal Processing and Communications Applications)
Conférence de Dimitri Van De Ville
“Graph Signal Processing for Computational Neuroimaging”
State-of-the-art magnetic resonance imaging (MRI) provides unprecedented opportunities to study brain structure (anatomy) and function (physiology). Based on such data, graph representations can be built where nodes are associated to brain regions and edge weights to strengths of structural or functional connections. In particular, structural graphs capture major neural pathways in white matter using tractography on diffusion-weighted MRI data, while functional graphs map out statistical interdependencies between pairs of regional activity traces from resting-state functional MRI. Network analysis of these graphs has revealed emergent system-level properties of brain structure or function, such as efficiency of communication and modular organization.
In this talk, graph signal processing (GSP) will be presented as a novel framework to integrate brain structure, contained in the structural graph, with brain function, characterized by activity traces that can be considered as time-dependent graph signals. Such a perspective allows to define novel meaningful graph-filtering operations of brain activity that take into account smoothness of signals on the anatomical backbone. This allows to define a new measure of “coupling” between structure and function based on how activity is expressed on structural graph harmonics. To provide statistical inference, we also extend the well-known Fourier phase randomization method to generate surrogate data to the graph setting. This new measure reveals a behaviorally relevant spatial gradient, where sensory regions tend to be more coupled with structure, and high-level cognitive ones less so. In addition, we also make a case to introduce the graph modularity matrix at the core of GSP, in order to incorporate knowledge about graph community structure when processing signals on the graph, but without the need for community detection. Finally, recent work will highlight how the spatial resolution of this type of analyses can be increased to the voxel level, representing a few hundredth thousands of nodes.