Acquisition IRMf et analyse des données

II.5.1. Paramètres de l’acquisition

L’expérience était réalisée en une session d’une heure sur une IRM Philips ACHIEVA (3 Teslas) dotée d’une antenne tête SENSE (8 canaux) dédiée à la recherche en neurosciences et située au Neurocampus Baudot de l’hôpital Purpan (Institut des Sciences du Cerveau de Toulouse). La présentation de stimuli visuels étaient assurée via un vidéoprojecteur Toshiba associé à un écran translucide. Les participants étaient munis d’un casque audio MR CONFON et de bouchons d’oreille, permettant de délivrer les stimuli auditifs tout en protégeant du bruit de l’acquisition IRM. Une tablette graphique amagnétique (Mag Design and Engineering, voir Figure VII-4) était disposée de manière inclinée au-dessus de la taille des participants, leur permettant d’écrire avec le stylo fourni. Ce dispositif permet de recueillir les paramètres temporels de la production (e.g. durée d’écriture, temps de réaction) en vue d’une analyse ultérieure.

Figure VII-4 : Tablette graphique amagnétique utilisée dans l’appareil d’IRM pour recueillir le tracé d’écriture.

Une image anatomique 3D haute résolution était initialement réalisée chez chaque sujet, constituée de 170 images pondérées en T1 recouvrant entièrement le volume cérébral (TR = 8,1ms ; TE = 3,7 ms ; angle de bascule = 8° ; champ de vue (FOV) = 240 x 240 mm ; taille de voxel = 1 mm3_{). Les images fonctionnelles ont été acquises selon une séquence EPI (Echo Planar}

Imaging) (TR = 3000 ms ; TE = 35 ms ; angle de bascule = 90° ; champ de vue (FOV) = 230 x 230 mm). Chaque volume était composé de 31 coupes axiales de 4 mm d’épaisseur recouvrant l’ensemble du cerveau (dimensions de la coupe : 96 x 94 pixels ; taille de voxel : 2,40 x 2,44 x 4 mm). Les paramètres ainsi définis permettaient une durée d’acquisition réelle de 1984 ms par volume, soit un « silence » de 1016 ms entre chaque acquisition, mis à profit pour présenter les stimuli auditifs.

II.5.2. Prétraitement des images

Toutes les images d’IRMf acquises ont été traitées au moyen du logiciel SPM12b (Statistical Parametric Mapping, Wellcome Department of Imaging Neuroscience, London, UK, 2012, http://www.fil.ion.ucl.ac.uk/spm/) implémenté sous la suite MATLAB (R2011b, The MathWorks, Inc., Natick, MA, United States).

Pour chaque sujet nous disposions de 2 groupes de 264 images fonctionnelles correspondant aux volumes acquis lors des runs d’écriture sous dictée et de répétition orale (les données du run de génération de verbes étant traitées dans un second temps, cf. Annexe 5). Ces images, ainsi que l’image anatomique T1 du sujet, étaient converties du format natif DICOM vers le format NIfTI au moyen du logiciel « dcm2nii » (Chris Rorden, 2011).

Différents prétraitements étaient effectués sur les images en utilisant différents modules de SPM afin d’aboutir à des images réalignées et normalisées dans l’espace standard MNI en vue des analyses statistiques ultérieures. Ces prétraitements incluaient consécutivement un Slice Timing (i.e. correction traitant les différences du moment d’acquisition des différentes coupes du volume, la première coupe de chaque volume étant acquise environ 2 secondes avant la dernière), un réalignement des volumes entre eux (i.e. transformations affines rigides dans 3 dimensions de translation et 3 dimensions de rotation, corrigeant ainsi notamment le mouvement de la tête du sujet lors de l’acquisition), puis une normalisation vers l’espace standard MNI, et enfin un lissage spatial (ou « smoothing ») via un noyau gaussien de 8 mm3 _de

FWHM (dans le but de réduire le bruit). La normalisation était permise via des paramètres (ou « champ de déformation ») calculés lors d’une étape de segmentation de l’image T1 du sujet préalablement coregistrée (ou réalignée) sur l’image moyenne des images fonctionnelles. Cette étape, qui procède par l’identification et la segmentation des différents tissus dans l’image (i.e. substance blanche, substance grise et liquide céphalo-rachidien) et leur mise en relation avec ceux d’une image template ou modèle, permet aussi d’obtenir le champ de déformation inverse, utile à la « dé-normalisation » d’une région d’intérêt (cf. Chapitre IX).

II.5.3. Analyse des données de neuroimagerie

Les images individuelles, réalignées, normalisées et lissées, étaient analysées statistiquement sous SPM selon un modèle linéaire généralisé (General Linear Model ou GLM) (Friston et al., 1994). Le GLM utilisé au premier niveau pour chaque volontaire incluait les 6 conditions : « Ecriture – mots courts », « Ecriture – mots longs », « Traçage de créneaux », « Répétition – mots courts », « Répétition – mots longs » et « Répétition de syllabes ». Pour

prendre en compte la spécificité temporelle du signal BOLD (atteignant son pic environ 5 sec après le stimulus et mettant environ 30 sec pour rejoindre sa ligne de base), les termes du modèle étaient convolués avec la fonction de réponse hémodynamique canonique ou HRF (i.e. Hemodynamic Response Function).

Etant donnée la durée importante des blocs et le délai important entre deux blocs identiques, les données ont été filtrées via un filtre passe-haut correspondant à 264 secondes (i.e. suppression des fréquences inférieures à ~ 3,8 mHz). La pertinence de ce filtrage a été vérifiée en examinant les graphiques du domaine fréquentiel obtenus sous SPM.

La matrice de l’analyse GLM incluait en tant que régresseurs (non pris en compte lors de la convolution) les six paramètres du mouvement de la tête du sujet au cours de l’acquisition, calculés lors de l’étape de réalignement (3 dimensions de translation et 3 dimensions de rotation). Cette étape a pour but de prendre en compte dans le modèle l’effet du mouvement afin de le distinguer de l’effet principal que l’on veut mesurer. De la même manière, dans l’analyse GLM, un autre régresseur correspondant à la moyenne du signal brut dans le liquide céphalo- rachidien au cours de l’acquisition (i.e. LCR ; ventricules cérébraux et espace sub-arachnoïdien) a été ajouté au modèle (mesure réalisée chez chaque sujet via MarsBar v0.43 en utilisant le masque de LCR calculé lors de l’étape de segmentation).

Les contrastes correspondant à l’activation de chaque condition par rapport à la ligne de base (images « béta », correspondant aux coefficients de régression estimés du modèle) étaient produits pour chaque participant au premier niveau (les phases de repos des deux runs n’étaient pas modélisées comme des conditions indépendantes et intégraient donc la ligne de base). Ces cartes statistiques étaient ensuite intégrées dans une analyse de groupe à effets aléatoires au second niveau nous permettant de calculer les contrastes d’intérêt (cartes de T). Nous avons exploré les résultats avec un seuil d’activation très rigoureux (p < .05 avec correction FWE, Family Wise Error) puis nous avons exploré les résultats avec un seuil statistique plus permissif (p < .001 sans correction). Le seuil d’étendue de cluster était fixé à k > 20 voxels.

La toolbox xjView 8 pour SPM (Cui, Li, & Song, 2011) a été utilisée pour visualiser les activations et identifier les structures anatomiques impliquées. Les cartes statistiques de groupe étaient superposées sur un modèle 3D standardisé pour leur visualisation via le logiciel MRIcron (Rorden & Brett, 2000).