SommaireSommaire I. Origine du signal BOLD 1. De lactivation neurale à leffet BOLD 1. De...

SommaireSommaireSommaireSommaire

I. Origine du signal BOLDI. Origine du signal BOLD 1. 1. De l’activation neurale à l’effet BOLDDe l’activation neurale à l’effet BOLD2. Signal mesurable en IRM, en IRMf2. Signal mesurable en IRM, en IRMf

II. Paradigmes expérimentauxII. Paradigmes expérimentaux

III. Analyse des données IRMfIII. Analyse des données IRMf

IV. ApplicationsIV. Applications

I. Origine du signal BOLDI. Origine du signal BOLD 1. 1. De l’activation neurale à l’effet BOLDDe l’activation neurale à l’effet BOLD2. Signal mesurable en IRM, en IRMf2. Signal mesurable en IRM, en IRMf

II. Paradigmes expérimentauxII. Paradigmes expérimentaux

III. Analyse des données IRMfIII. Analyse des données IRMf

IV. ApplicationsIV. Applications

Origine physiologique des Origine physiologique des signauxsignaux

Origine physiologique des Origine physiologique des signauxsignaux

I.1 Réseau vasculaire cérébralI.1 Réseau vasculaire cérébralI.1 Réseau vasculaire cérébralI.1 Réseau vasculaire cérébral

• ArtériolesArtérioles– Y=95% au reposY=95% au repos– Y=100% pendant l’activation Y=100% pendant l’activation – 25 mm diamètre25 mm diamètre– <15% du volume sanguin des <15% du volume sanguin des

tissus tissus corticauxcorticaux

• VeinulesVeinules– Y=60% au reposY=60% au repos– Y=90% pendant l’activation Y=90% pendant l’activation

25-50 mm diamètre25-50 mm diamètre– 40% du volume sanguin des 40% du volume sanguin des


• Globules rougesGlobules rouges– 6 mm de largeur et 1-2 mm 6 mm de largeur et 1-2 mm

épaisseurépaisseur– Délivre l’ODélivre l’O22 sous forme sous forme

d’oxyhémoglobined’oxyhémoglobine

• ArtériolesArtérioles– Y=95% au reposY=95% au repos– Y=100% pendant l’activation Y=100% pendant l’activation – 25 mm diamètre25 mm diamètre– <15% du volume sanguin des <15% du volume sanguin des


• VeinulesVeinules– Y=60% au reposY=60% au repos– Y=90% pendant l’activation Y=90% pendant l’activation

25-50 mm diamètre25-50 mm diamètre– 40% du volume sanguin des 40% du volume sanguin des


• Globules rougesGlobules rouges– 6 mm de largeur et 1-2 mm 6 mm de largeur et 1-2 mm

épaisseurépaisseur– Délivre l’ODélivre l’O22 sous forme sous forme

d’oxyhémoglobined’oxyhémoglobine

• CapillairesCapillaires– Y=80% au reposY=80% au repos– Y=90% pendant l’activationY=90% pendant l’activation– 8 mm de diamètre.8 mm de diamètre.– 40% du volume sanguin des 40% du volume sanguin des


– Site principal d’échange d’OSite principal d’échange d’O22 avec les tissusavec les tissus

• CapillairesCapillaires– Y=80% au reposY=80% au repos– Y=90% pendant l’activationY=90% pendant l’activation– 8 mm de diamètre.8 mm de diamètre.– 40% du volume sanguin des 40% du volume sanguin des


– Site principal d’échange d’OSite principal d’échange d’O22 avec les tissusavec les tissus

Artery Vein

Arterioles Veneoles

Capillaries

1 - 2 cm

Neurons

Transit Time = 2-3 s

Effet BOLD=Effet BOLD=BBlood lood OOxygenation xygenation LLevel-evel-DDependent ependent (Ogawa et al. 1990)(Ogawa et al. 1990)


Produit de contraste intrinsèque :Oxyhémoglobine (HbO2)(HbO2) : diamagnétiqueDésoxyhémoglobine (Hb)(Hb) : paramagnétique

Détectable en IRMf

Activation cérébrale

Légère augmentation de la consommation O2, accompagnée d’un fort afflux de sang oxygéné

Conséquence : augmentation de la concentration en sang oxygéné (Hb02) des vaisseaux proches des neurones actifs

Métabolisme d’activation cérébraleMétabolisme d’activation cérébraleMétabolisme d’activation cérébraleMétabolisme d’activation cérébrale

Activité neuraleConsommation

locale d’ATP

CMRO2

Métabolisme énergétique local

CBV

CMRGlcCBF

Le signal BOLD résulte d’un mélange compliqué de ces

paramètres

CBF, CBV et CMROCBF, CBV et CMRO22 ont des effets différents ont des effets différents sur la concentration d’HbOsur la concentration d’HbO22 : :

CBF, CBV et CMROCBF, CBV et CMRO22 ont des effets différents ont des effets différents sur la concentration d’HbOsur la concentration d’HbO22 : :

(plus d’HbO2 délivrée -> moins d’Hb dans le

compartiment veineux si l’excès d’O2 n’est pas

utilisé)

CMRO2

CBV

CBFFraction

locale d’Hb

Fraction locale d’Hb

Fraction locale d’Hb

(extraction d’O2-> HbO2 devient Hb)

(plus d’Hb dans un voxel donné)

L’interaction de ces 3 quantités produit la réponse BOLD. Ils modifient [Hb] qui affecte l’environnement magnétique.

• Mais Mais CBF >> CBF >> CMROCMRO2 2 (30% >> 5%)(30% >> 5%)– Dépasse la quantité nécessaire pour supporter la faible Dépasse la quantité nécessaire pour supporter la faible

augmentation du métabolisme de l’O2.augmentation du métabolisme de l’O2.– Ce “déséquilibre” est d’abord un phénomène physiologique qui Ce “déséquilibre” est d’abord un phénomène physiologique qui

produit des variations du signal BOLD.produit des variations du signal BOLD.– Se traduit par une plus grande concentration en [HbOSe traduit par une plus grande concentration en [HbO22] dans le ] dans le

compartiment veineux par rapport à [Hb].compartiment veineux par rapport à [Hb].– Se traduit par une augmentation de l’intensité de l’imageSe traduit par une augmentation de l’intensité de l’image

• Moins d’Hb génère moins de substance paramagnétique.Moins d’Hb génère moins de substance paramagnétique.

• 2 modèles d’explication de ce déséquilibre entre CBF et 2 modèles d’explication de ce déséquilibre entre CBF et CMROCMRO22

– Lien linéaire (Turner-Grinvald) ou non-linéaire entre le CBF et la Lien linéaire (Turner-Grinvald) ou non-linéaire entre le CBF et la CMROCMRO2 2 (modèle d’oxygénation limitée).(modèle d’oxygénation limitée).

• Mais Mais CBF >> CBF >> CMROCMRO2 2 (30% >> 5%)(30% >> 5%)– Dépasse la quantité nécessaire pour supporter la faible Dépasse la quantité nécessaire pour supporter la faible

augmentation du métabolisme de l’O2.augmentation du métabolisme de l’O2.– Ce “déséquilibre” est d’abord un phénomène physiologique qui Ce “déséquilibre” est d’abord un phénomène physiologique qui

produit des variations du signal BOLD.produit des variations du signal BOLD.– Se traduit par une plus grande concentration en [HbOSe traduit par une plus grande concentration en [HbO22] dans le ] dans le

compartiment veineux par rapport à [Hb].compartiment veineux par rapport à [Hb].– Se traduit par une augmentation de l’intensité de l’imageSe traduit par une augmentation de l’intensité de l’image

• Moins d’Hb génère moins de substance paramagnétique.Moins d’Hb génère moins de substance paramagnétique.

• 2 modèles d’explication de ce déséquilibre entre CBF et 2 modèles d’explication de ce déséquilibre entre CBF et CMROCMRO22

– Lien linéaire (Turner-Grinvald) ou non-linéaire entre le CBF et la Lien linéaire (Turner-Grinvald) ou non-linéaire entre le CBF et la CMROCMRO2 2 (modèle d’oxygénation limitée).(modèle d’oxygénation limitée).

Métabolisme d’activation cérébrale Métabolisme d’activation cérébrale (suite)(suite)

Métabolisme d’activation cérébrale Métabolisme d’activation cérébrale (suite)(suite)

(1) Phase d’hyper-oxygénation

(2) Réponse précoce (“intial dip”)

(3) Rebond final : “final undershoot”

(a) Signal micro vasculaire

(b)Signal macro vasculaireGénéralement %Smicro < %Smacro, MAIS pas

toujours.

La fonction de réponse hémodynamiqueLa fonction de réponse hémodynamiqueLa fonction de réponse hémodynamiqueLa fonction de réponse hémodynamique

Lien entre activité neurale et signal Lien entre activité neurale et signal BOLDBOLD

Lien entre activité neurale et signal Lien entre activité neurale et signal BOLDBOLD

D’après Logothetis et al.Nature août 2001

Corrélation significativeentre activité post-synaptiqueet activité hémodynamiquemesurable en IRMf

Principes physiques de mesure Principes physiques de mesure en IRMen IRM

Principes physiques de mesure Principes physiques de mesure en IRMen IRM

En présence d’un champ magnétique, l’aimantation de certains noyaux (hydrogène, phosphore… ) s’oriente dans la direction du champ :

L’aimantation résultante peut être mesurée en envoyant des ondes radio. L’aimantation résonne et émet en retour une onde radio qu’on mesure :

champ magnétiqueproduit par un aimantpas de champ magnétique

excitation des aimantations onde émise en retour

mesuréerésonance

I.2I.2 Principe de la RMNPrincipe de la RMNI.2I.2 Principe de la RMNPrincipe de la RMN

Application d'un champ magnétique statique B0

et apparition d'un moment macroscopique M0

Bascule du moment magnétique sous l'impulsion radiofréquence (ou champ

tournant b1)

z

MZ

y

B0

b1

x

MZM0

M0

M0

B0

RMN - Conditions initialesRMN - Conditions initialesRMN - Conditions initialesRMN - Conditions initiales

RMN – Signal mesuréRMN – Signal mesuréRMN – Signal mesuréRMN – Signal mesuré

x

y

B0

M

Fin de l'impulsion à 90°

MM0

Précession libre et retour à l'état initial

y

B0

Mx

MZ

T1 : Temps de repousse ou de relaxation longitudinal ie de croissance de

T2 : Temps de relaxation transverse Décroissance de M

M

Temps d’écho (TE)Temps d’écho (TE)Temps d’écho (TE)Temps d’écho (TE)

TE/2 TE/2

Impulsion à 180°

Impulsion à 90°

FID

0

Signal d’écho

déphasés de nouveau en phase

t = TE

en phase(impulsion à 90°)

t = 0

«retournés»(impulsion à 180°)

t = TE/2

de nouveaudéphasés

Echo de spin pour retarder l’instant de lecture du signal

Pondération enT1

Pondération en T2 (ou T2*)

0 t

T1 court

T1 long

TR ~ T1 0 tTE ~ T2

Momentlongitudin

al

Momenttransvers

e

T2 court

T2 long

Contraste des imagesContraste des imagesContraste des imagesContraste des images

D’après AL. Paradis 2001, Thèse Univ. Paris VI

IRM anatomique

IRMf



Produit de contraste intrinsèque :Oxyhémoglobine (HbO2)(HbO2) : diamagnétiqueDésoxyhémoglobine (Hb)(Hb) : paramagnétique

Substance paramagnétique perturbele champ magnétique local et modifie caractérisée par T2*M

Activation cérébrale

Légère augmentation de la consommation O2, accompagnéed’un fort afflux deSang oxygéné

Conséquence : augmentation de la concentrationen sang oxygéné des vaisseaux proches des neuronesactifs

Les images BOLD sont pondérées en T2*

Construction des images 3D : codage Construction des images 3D : codage spatialspatial

Construction des images 3D : codage Construction des images 3D : codage spatialspatial

• Sélection de coupeSélection de coupe

Gradient de champ Gradient de champ magnétique orthogonal au plan magnétique orthogonal au plan de coupe voulu (selon Oz)de coupe voulu (selon Oz)

• Codage en fréquence Codage en fréquence (I) (I)

• Encodage de phase (II)Encodage de phase (II)1 séquence d’acquisition doit 1 séquence d’acquisition doit

inclure les différents types de inclure les différents types de codage (multi-coupes)codage (multi-coupes)

Sur chaque coupe = (I) + (II)Sur chaque coupe = (I) + (II)

• Sélection de coupeSélection de coupe

Gradient de champ Gradient de champ magnétique orthogonal au plan magnétique orthogonal au plan de coupe voulu (selon Oz)de coupe voulu (selon Oz)

• Codage en fréquence Codage en fréquence (I) (I)

• Encodage de phase (II)Encodage de phase (II)1 séquence d’acquisition doit 1 séquence d’acquisition doit

inclure les différents types de inclure les différents types de codage (multi-coupes)codage (multi-coupes)

Sur chaque coupe = (I) + (II)Sur chaque coupe = (I) + (II)

Signal émis/lu

Transformée de Fourier

Axe

Objetémetteur

Axe de codage enfréquence (x)

Image 1D

reconstruite

B0 + Gx.x

Valeur du champStatique pendantLa lecture

B0

Les protons vont précesser à différentes Les protons vont précesser à différentes fréquencesfréquencesLes signaux associés sont séparés par transformée de Fourier

0Bf

Séquence EPI : principeSéquence EPI : principeSéquence EPI : principeSéquence EPI : principe

EPI

Parcours du k-spaceCodage en fréquence selon x

Encodage de phaseselon y

Séquence EPI à écho de gradient:Séquence EPI à écho de gradient:Imagerie ultra-rapideImagerie ultra-rapide

Séquence EPI à écho de gradient:Séquence EPI à écho de gradient:Imagerie ultra-rapideImagerie ultra-rapide

Temps d'écho (TE)

Lecture d'une ligne(codage en fréquence)

Sélection d'une ligne

(encodage de phase)

Impulsion à 90°(radiofréquence)

GZ

Gx

Gy

Temps de répétition inter-coupes

B1

Signaux lus

Sélection de coupe+-

-+

-

+

Caractéristiques des séquences EPICaractéristiques des séquences EPICaractéristiques des séquences EPICaractéristiques des séquences EPI

• Imagerie ultra-rapide (pour 1 coupe, TA <100 ms)Imagerie ultra-rapide (pour 1 coupe, TA <100 ms)• Très bonne résolution spatiale (3 à 4 mm)Très bonne résolution spatiale (3 à 4 mm)

• Résolution temporelle (Résolution temporelle (TR ~1sec ) : filtrage passe bas) : filtrage passe bas

Artéfacts d’acquisition en IRMf : Artéfacts d’acquisition en IRMf : PPerte de signalerte de signal dans régions orbito-frontales & pôles temporaux dans régions orbito-frontales & pôles temporaux

à cause de la présence d’une interface entre les tissus à forte à cause de la présence d’une interface entre les tissus à forte composante aqueuse et l’os (atténuation du signal pondéré en composante aqueuse et l’os (atténuation du signal pondéré en T2*)T2*)

Distorsions géométriques Distorsions géométriques dues à la contrainte de rapidité : dues à la contrainte de rapidité : écrasement ou élongation dans la direction d’encodage de phaseécrasement ou élongation dans la direction d’encodage de phase

• Imagerie ultra-rapide (pour 1 coupe, TA <100 ms)Imagerie ultra-rapide (pour 1 coupe, TA <100 ms)• Très bonne résolution spatiale (3 à 4 mm)Très bonne résolution spatiale (3 à 4 mm)

• Résolution temporelle (Résolution temporelle (TR ~1sec ) : filtrage passe bas) : filtrage passe bas

Artéfacts d’acquisition en IRMf : Artéfacts d’acquisition en IRMf : PPerte de signalerte de signal dans régions orbito-frontales & pôles temporaux dans régions orbito-frontales & pôles temporaux

à cause de la présence d’une interface entre les tissus à forte à cause de la présence d’une interface entre les tissus à forte composante aqueuse et l’os (atténuation du signal pondéré en composante aqueuse et l’os (atténuation du signal pondéré en T2*)T2*)

Distorsions géométriques Distorsions géométriques dues à la contrainte de rapidité : dues à la contrainte de rapidité : écrasement ou élongation dans la direction d’encodage de phaseécrasement ou élongation dans la direction d’encodage de phase

Petite galerie des horreurs d’artéfactsPetite galerie des horreurs d’artéfactsPetite galerie des horreurs d’artéfactsPetite galerie des horreurs d’artéfacts

Perte de signal Perte de signal localiséeslocalisées

Pôle temporal

Cortex orbito-frontal

Distorsions par rapport à l’anatomie

Fantôme de Fourier

Avant correction

Après correction

Paradigmes expérimentaux en Paradigmes expérimentaux en IRMfIRMf

Paradigmes expérimentaux en Paradigmes expérimentaux en IRMfIRMf

Dessins en blocDessins en blocDessins en blocDessins en bloc

Hyp : Puisque la fonction de réponse hémodynamique opère Hyp : Puisque la fonction de réponse hémodynamique opère comme une filtre passe bas sur la réponse neurale, la comme une filtre passe bas sur la réponse neurale, la résolution temporelle de l’IRMf est limitéerésolution temporelle de l’IRMf est limitée

Hyp : Puisque la fonction de réponse hémodynamique opère Hyp : Puisque la fonction de réponse hémodynamique opère comme une filtre passe bas sur la réponse neurale, la comme une filtre passe bas sur la réponse neurale, la résolution temporelle de l’IRMf est limitéerésolution temporelle de l’IRMf est limitée

= trial of one type (e.g., face image)

= trial of another type (e.g., place image)

Hypothèse d’une dynamique d’activation Hypothèse d’une dynamique d’activation stablestable

Hypothèse d’une dynamique d’activation Hypothèse d’une dynamique d’activation stablestable

Pour les dessins en bloc, on suppose que l’effet BOLD reste constant à travers les périodes d’intérêt.

La réponse BOLD est transitoire et de plus, elle peut varier selon les régions du cerveau, la durée du stimulus et peut-être même selon le type de stimulus.

Price et al. (1999) Neuroimage, 10, 36 – 44.

Hypothèse d’une dynamique d’activation Hypothèse d’une dynamique d’activation stable stable

Hypothèse d’une dynamique d’activation Hypothèse d’une dynamique d’activation stable stable

Price et al. 1999, Neuroimage, 10, 36 – 44.

Quelles sont les limites temporelles ?Quelles sont les limites temporelles ? Quelles sont les limites temporelles ?Quelles sont les limites temporelles ?

Quelle est le stimulus le plus bref que l’IRMf peut détecter ?Blamire et al. (1992) – 2 secBandettini (1993): 0.5 secSavoy et al (1995): 34 msec

Avec suffisamment d’essais moyennés, tout semble possible

On suppose que la forme de la HRF est prédictible.

Les potentiels évoqués (ERPs) s’obtiennent en moyennant des petites réponses sur un grand nombre d’essais.

Peut on faire la même chose avec l’IRMf ?

Paradigmes en blocs vs événementielsParadigmes en blocs vs événementielsParadigmes en blocs vs événementielsParadigmes en blocs vs événementiels

Source: Buckner 1998

Pourquoi un dessin événementiel en Pourquoi un dessin événementiel en IRMf ?IRMf ?

Pourquoi un dessin événementiel en Pourquoi un dessin événementiel en IRMf ?IRMf ?

Avantages :• plusieurs types d’essais par session – la randomisation intra-session devient possible

• Meilleur contrôle temporel • Recherche des activations dues à un type spécifique d’essais (habituellement la moyenne de plusieurs essais)

Inconvénients :• RSB plus faible donc plus faible variation de signal entre condition (~ 50 – 100 essais par condition)

• dessin et analyse plus complexes (eg questions de ligne de base et timing)

Applications possible de l’IRMf Applications possible de l’IRMf événementielleévénementielle

Applications possible de l’IRMf Applications possible de l’IRMf événementielleévénementielle

• priming visuel et la reconnaissance d’objets – activations spécifiques à l’objet “amorcé”ou recherche des activations avant et après la reconnaissance (i.e., événements très longs ). (e.g., James, T. et al. (2000) Current Biology, 10, 1017-1024 and James, T. et al. (1999) Neuroreport, 10, 1019-1023).

• Exploration de composantes spécifiques à une tâche– e.g., préparation visuelle (saccades) (e.g., Connolly, J., et al. (in press) Nature Neuroscience)

• Exploration de la dynamique des activations (changement au cours du temps)

• Recherche sur la mémoire – e.g., idéal pour explorer la remémorisation et l’oubli – quelque chose qui est impossible avec des dessins en blocs

Et bien d’autres choses encore …

Linéarité de la réponse BOLDLinéarité de la réponse BOLD Linéarité de la réponse BOLDLinéarité de la réponse BOLD

Dale & Buckner, 1997 Linéarité :“Les réponses s’ajoutentelles vraiment ?”

Synchroniser la réponse à chaque essai sur le début de l’essai

Pas complètement linéaire mais bonne approximation

rouge =2-1

vert = 3-2

IRMf événementielle rapideIRMf événementielle rapideIRMf événementielle rapideIRMf événementielle rapide

•En IRMf événementielle lent, on attend que la HRF retourne à sa ligne de base après chaque essai

•Pour l’IRMf événementielle rapide, les essais (ou les événements) arrivent vraiment de manière aléatoire comme dans une étude comportementale et la HRF doit être deconvoluée après coup puisque les réponses sont mélangées

• La puissance est encore plus importante – les differences en % de variation de signal étant plus faible qu’en IRMf événementielle lent

• 2points cruciaux dans le choix du dessin :• s’assurer que toutes les combinaisons possibles d’essais sont utilisées (i.e., chaque type d’essai précède et suit par chaque autre type un nombre égal de fois• décaler les ISI – des ISIs aléatoires sont cruciaux pour une déconvolution de la HRF en post-traitement

Avantages des dessins événementielsAvantages des dessins événementiels Avantages des dessins événementielsAvantages des dessins événementiels

1) Flexibilité et randomization• élimine la prédictabilité des dessins en bloc• supprime les effets d’anticipation• Tri des essais a posteriori • (e.g., corrects vs. incorrects, conscients vs. inconscients,

éléments remémorisés vs. oubliés, TRs lent vs. rapide)

3) Permet de faire de l’amorçage (priming)

4) Evénements rares ou imprédictibles peuvent être mesurés• e.g., P300

5) Permet d’analyser la dynamique de la réponse• Dissocier les artéfacts de mouvement des activations• Dissocier les composantes des tâches de délai• Chronométrie mentale

Source: Buckner & Braver, 1999

time

Analyse des données en IRMfAnalyse des données en IRMfAnalyse des données en IRMfAnalyse des données en IRMf

……a voxel by voxel hypothesis testing a voxel by voxel hypothesis testing approachapproach

reliably identify regions showing a reliably identify regions showing a significant experimental effect of significant experimental effect of interestinterest

• Key conceptsKey concepts• TypeType I error

– significance test at each voxel• Parametric statisticsParametric statistics

– parametric model for voxel data, parametric model for voxel data, test model parameterstest model parameters

• No exact prior anatomical No exact prior anatomical hypothesishypothesis

– multiple comparisonsmultiple comparisons

• Statistical Parametric MappingStatistical Parametric Mapping• General Linear ModelGeneral Linear Model• Theory of continuous random fieldsTheory of continuous random fields

Data analysisData analysisData analysisData analysis

?

realignement &coregistration smoothing

normalisation

Corrected p-values

images Adjusted signalDesignmatrix

Anatomical Reference

Spatial filter

Statistical MapUncorrected p-values

Random Field Theory

Your question:a contrast

General Linear Model Linear fit

statistical image

Epoch fMRI7s RT – interscan interval84 scans – images 16–991 session1 condition/trial: wordsDeterministic design: Fixed SOA of 12 scans (42s)Epoch designFirst trial at time 6 scans, 6 scans / words epoch

SPM

par

amet

ers

(eve

nt t

erm

inol

ogy)

•Single subjectSingle subject– RH maleRH male

•ConditionsConditions• Passive Passive word listeningword listening– Bisyllabic nounsBisyllabic nouns– 60wpm60wpm– against against restrest

•Epoch Epoch ffMRIMRI– restrest & & wordswords– epochs of 6 scansepochs of 6 scans 42 second epochs42 second epochs– 7 7 BBAA cycles cycles

experiment was 8 cycles: experiment was 8 cycles:

first pair of blocks droppedfirst pair of blocks dropped BBAABBAABBAABBAABBAABBAABBAA last 84 scans of experimentlast 84 scans of experiment

images 16–99images 16–99 ~10 minutes scanning time~10 minutes scanning time

•Single subjectSingle subject– RH maleRH male

•ConditionsConditions• Passive Passive word listeningword listening– Bisyllabic nounsBisyllabic nouns– 60wpm60wpm– against against restrest

•Epoch Epoch ffMRIMRI– restrest & & wordswords– epochs of 6 scansepochs of 6 scans 42 second epochs42 second epochs– 7 7 BBAA cycles cycles

experiment was 8 cycles: experiment was 8 cycles:

first pair of blocks droppedfirst pair of blocks dropped BBAABBAABBAABBAABBAABBAABBAA last 84 scans of experimentlast 84 scans of experiment

images 16–99images 16–99 ~10 minutes scanning time~10 minutes scanning time

Example epoch Example epoch ffMRI activation MRI activation dataset:dataset:

Auditory stimulationAuditory stimulation

Example epoch Example epoch ffMRI activation MRI activation dataset:dataset:

Auditory stimulationAuditory stimulation

(50, -40, 8) — (50, -40, 8) — Primary Auditory CortexPrimary Auditory Cortex

Temporal series fMRI

Statistical image(SPM)

voxel time course

One voxel = One test (t, F, ...)amplitu

de

time

General Linear ModelFittingstatistical image

Voxel statistics…Voxel statistics…Voxel statistics…Voxel statistics…

• parametricparametric• one sample one sample tt-test-test• two sample two sample tt-test-test• paired paired tt-test-test• AnovaAnova• AnCovaAnCova• correlationcorrelation• linear regressionlinear regression• multiple regressionmultiple regression• FF-tests-tests• etc…etc…

• non-parametricnon-parametric?? later later

all cases of theGeneral Linear Model

assume normality (/ )can account for temporal autocorrelation

Box car regression : design matrix…Box car regression : design matrix…Box car regression : design matrix…Box car regression : design matrix…

= +

= +Y X

data

vec

tor

(vox

el tim

e se

ries

)

design

mat

rix

para

met

er

ser

ror ve

ctor

……design matrixdesign matrix……design matrixdesign matrix

=

+

= +Y X

data

vec

tor

design

mat

rix

para

met

er

ser

ror ve

ctor

= the

bet

as (h

ere

: 1 to

9)

Modèle linéaire généralModèle linéaire général• Matrice de dessinMatrice de dessin

– Ensemble de fonctions Ensemble de fonctions modélisant la réponse BOLD modélisant la réponse BOLD attendue aux différentes attendue aux différentes conditions expérimentalesconditions expérimentales

Estimation des paramètres b du modèle

» Minimise l’erreur quadratique

» Non biaisé

= +

= +Y X

Contrastes et tests : F : Information apportée par une

ou plusieurs combinaisons de régresseurs T (contrastes) : Comparaison des

paramètres estimés

0 0

0 0

1 0

0 1

1

-1

0

0

Exemple :

……fittedfitted……fittedfitted

raw fMRI time series

scaled for global changes

adjusted for global & low Hz effects

residualsfitted “high-pass filter”

fitted box-car

Multivariate perspective…Multivariate perspective…Multivariate perspective…Multivariate perspective…

= +Y X

data matrix

desig

n m

atr

ix

parameters errors

+ ?= ?voxelsvoxels

scansscans

Predicted data

^

residuals

estimatedcomponent

fields

parameterestimates

“Image regression”

variance

estimated variance

=

ˆ XY

Multivariate perspective…Multivariate perspective…Multivariate perspective…Multivariate perspective…

e

= +Y X

data matrix += voxelsvoxels

scansscans

residuals

parameterestimates

e0= +Y X0

data matrix += voxelsvoxels

scansscans^

residuals

parameterestimates

“Image test”

estimated var s- =

F-test imageestimated var s0

estimated var s

When do we get surprised When do we get surprised ??When do we get surprised When do we get surprised ??

t59• SurpriseSurprise??

– highhigh voxel values voxel values voxel level inferencevoxel level inference

– bigbig suprathreshold suprathreshold clusters (need to clusters (need to choose a threshold choose a threshold here !)here !)

cluster level cluster level inferenceinference

– manymany suprathreshold suprathreshold clusters, or many big clusters, or many big supra threshold supra threshold clustersclusters

set level inferenceset level inference– highhigh mean square mean square

voxel valuesvoxel values omnibus inference - omnibus inference -

cf MLMcf MLM

• SurpriseSurprise??– highhigh voxel values voxel values

voxel level inferencevoxel level inference– bigbig suprathreshold suprathreshold

clusters (need to clusters (need to choose a threshold choose a threshold here !)here !)

cluster level cluster level inferenceinference

– manymany suprathreshold suprathreshold clusters, or many big clusters, or many big supra threshold supra threshold clustersclusters

set level inferenceset level inference– highhigh mean square mean square

voxel valuesvoxel values omnibus inference - omnibus inference -

cf MLMcf MLM

Multiple comparisons : Why? Multiple comparisons : Why? Multiple comparisons : Why? Multiple comparisons : Why?

Gaussian10mm FWHM(2mm pixels)

p = 0.05

The “Bonferroni” The “Bonferroni” correction…correction…

The “Bonferroni” The “Bonferroni” correction…correction…

5mm 10mm 15mm

Suppose N independent tests (eg at each voxel i ) : a : threshold that we are looking forP(max(ti) > ta) = ‘ type I error ’ = a (exemple : a = 5%, N = 50k)

P(max(ti) > ta) = 1 - P(t1 < ta)P(t1 < ta) ... P(tN < ta)= 1 - (1-a)N

=> a = 1 - (1-a)1/N =~ a/N (eg : a = 10-

6 )Independent : a = 1- (1-a)1/N

Completely dependant : a = aDependant : a = ?

N ? - Dependance ?

Application en IRMf Application en IRMf événementielleévénementielle

Application en IRMf Application en IRMf événementielleévénementielle

étude du langageétude du langage (Pallier et al. 2002)(Pallier et al. 2002)étude du langageétude du langage (Pallier et al. 2002)(Pallier et al. 2002)

Carte SPMp-valuecorrigée

Matricede dessinexpérimental

Activationsfonctionnellessuperposéesà l’anatomie

Analysede groupe

Détails sur la matrice de dessinDétails sur la matrice de dessinDétails sur la matrice de dessinDétails sur la matrice de dessin

Nouveaux développementsNouveaux développementsNouveaux développementsNouveaux développements

Analyse d’essais simplesAnalyse d’essais simplesAnalyse d’essais simplesAnalyse d’essais simples

• Utiliser le MLG avec des predicteurs, comme pour des dessins en bloc. 2) Pour une région d’intérêt : pour chaque type d’essais, calculer le décours

temporel moyen synchronisé sur le départ de chaque essai ; puis soustraire les différences

important : rendre aléatoire ou contrebalancer l’ordre des essais

…

Raw dataEvent-related average

with control period factored out

A signal change = (A – F)/F

B signal change = (B – F)/F

Event-related average

sync to trial onset

A

B

F

3) Selective averaging [Dale & Buckner, 1997]: calculer la moyenne et la variance du décours temporel des données IRMf pour chaque type d’essais. Tester si ce décours est significatif (soit différent de zéro soit d’un) à partir d’une ANOVA (pas d’hypothèse sur la HRF) ou de la covariance avec la HRF

Variabilité de la HRFVariabilité de la HRFVariabilité de la HRFVariabilité de la HRFAguirre, Zarahn & D’Esposito, 1998• la variabilité inter-sujets de la HRF est considérable

• Pour chaque sujet, les réponses sont plus consistantes, bien qu’il existe une variabilité inter-sessions

différents sujets

même sujet, même session même sujet, différentes sessions

Variabilité de la HRF : implicationsVariabilité de la HRF : implicationsVariabilité de la HRF : implicationsVariabilité de la HRF : implicationsAguirre, Zarahn & D’Esposito, 1998•Modèle paramétrique de HRF (fonction gamma) tient compte de 70% de la variance• Modèle sujet dépendant tient compte de 92% ode la variance (22% de plus !)• Modélisation inadaptée réduit la puissance statistique •Moins de problèmes pour dessins en bloc qu’événementiel• Pbs les plus importants avec des tâches de délai où une mauvaise estimation des composantes initiale et finale peut contaminer la composante de délai

• Solution possible : modéliser la HRF individuellement pour chaque sujet

•Embûche possible : la HRF peut aussi varier entre régions• Buckner et al., 1996 ont noté :

• un délai de .5-1 sec entre les aires visuelle et préfrontale• différence vasculaire ?• traitement de la latence ?

• Erreur ou caractéristique ? • Menon & Kim – chronométrie mentale

Modèle biomécanique du ballon Modèle biomécanique du ballon ((Buxton et al.Buxton et al. 98,JCBFM98,JCBFM))

Modèle biomécanique du ballon Modèle biomécanique du ballon ((Buxton et al.Buxton et al. 98,JCBFM98,JCBFM))

Couplage neuro-vasculaireCouplage neuro-vasculaire

• Maintient un couplage étroit entre hémodynamique et besoin Maintient un couplage étroit entre hémodynamique et besoin des neurones en O2des neurones en O2

• Différence d’élasticité entre secteurs veineux et artérielsDifférence d’élasticité entre secteurs veineux et artériels• « Initial dip » : accroissement du volume veineux« Initial dip » : accroissement du volume veineux• « Final undershoot » : retour du volume à sa valeur basale plus« Final undershoot » : retour du volume à sa valeur basale plus

lente que le retour du flux sanguinlente que le retour du flux sanguin

Signal tissulaire, signal vasculaireSignal tissulaire, signal vasculaire

Effet BOLD modéré + effets transitoires (ID,FU) dans les capillairesEffet BOLD modéré + effets transitoires (ID,FU) dans les capillairesEffet BOLD massif dans les veines de drainageEffet BOLD massif dans les veines de drainageA haut champ, les acquisitions favorisent le signal tissulaireA haut champ, les acquisitions favorisent le signal tissulaire

Couplage neuro-vasculaireCouplage neuro-vasculaire

• Maintient un couplage étroit entre hémodynamique et besoin Maintient un couplage étroit entre hémodynamique et besoin des neurones en O2des neurones en O2

• Différence d’élasticité entre secteurs veineux et artérielsDifférence d’élasticité entre secteurs veineux et artériels• « Initial dip » : accroissement du volume veineux« Initial dip » : accroissement du volume veineux• « Final undershoot » : retour du volume à sa valeur basale plus« Final undershoot » : retour du volume à sa valeur basale plus

lente que le retour du flux sanguinlente que le retour du flux sanguin

Signal tissulaire, signal vasculaireSignal tissulaire, signal vasculaire

Effet BOLD modéré + effets transitoires (ID,FU) dans les capillairesEffet BOLD modéré + effets transitoires (ID,FU) dans les capillairesEffet BOLD massif dans les veines de drainageEffet BOLD massif dans les veines de drainageA haut champ, les acquisitions favorisent le signal tissulaireA haut champ, les acquisitions favorisent le signal tissulaire

SommaireSommaire I. Origine du signal BOLD 1. De lactivation neurale à leffet BOLD 1. De...

Documents

Transcript of SommaireSommaire I. Origine du signal BOLD 1. De lactivation neurale à leffet BOLD 1. De...