Modélisation Causale Dynamique
La Modélisation Causale Dynamique (DCM) est un cadre bayésien pour spécifier et inverser des modèles génératifs de connectivité cérébrale à partir de données de neuroimagerie. Introduite par Karl Friston et ses collègues en 2003, la DCM traite les régions cérébrales comme des systèmes dynamiques et estime la connectivité effective en ajustant les séries temporelles d'IRMf observées à un modèle biophysiquement plausible d'interactions neuronales.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. NeuroImage, 19(4), 1273–1302. DOI: 10.1016/S1053-8119(03)00202-7 ↗
- Stephan, K. E., & Mathys, C. (2015). Computational approaches to neuroscience. Current Opinion in Neurobiology, 25, 85–92. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Dynamic Causal Modeling for fMRI Brain Networks. ScholarGate. https://scholargate.app/fr/neuroimaging/dynamic-causal-modeling
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Analyse des réseaux cérébraux par graphesNeuro-imagerie↔ comparer
- Modélisation par équations structurellesStatistiques de recherche↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →