IRM-f et analyse de la connectivité

Chaque processus décrit ci-dessous est effectué sur chaque sujet indépendamment les uns des autres. L'ensemble du processus forme une méthode d'analyse de l'activité cérébrale d'un sujet protégé par le brevet WO2016059055 (Ducreux 2016).

Avant le traitement, les images T1, DTI et RS f-MRI sont prétraitées. Le prétraitement est com-posé d'une extraction cérébrale, d'un enregistrement et d'une normalisation des images du sujet T1 sur un modèle T1 MNI, puis d'un enregistrement et de la normalisation des images DTI et RS extraites du cerveau sur des images de sujets T1 coregistrées. L'enregistrement de l'image est effectué avec la toolbox elastix (Klein et al. 2010).

L'analyse d'image DTI consiste en une analyse voxel par voxel du tenseur de diffusion avec les métriques log-euclidiennes pour extraire les valeurs propres, puis calculer les paramètres de diffusion tels que la moyenne du coefficient de diffusion apparent (ADC) et la fraction d’ani-sotropie (FA) (Arsigny et al. 2005; Pierre Fillard et al. 2005; Ducreux et al. 2007; P. Fillard et al. 2007).

Une fois les métriques de diffusion calculées, une tractographie cérébrale entière (tractographie) est construite à partir de graines avec un algorithme mi-probabiliste et mi-déterministe basé sur un modèle mixte d'advection-diffusion (Weinstein, Kindlmann, et Lundberg 1999). Ensuite, le tractogramme est coregistré sur un atlas des fibres de matière blanche et 58 faisceaux de fibres sont extraits du tractogramme. Enfin, le connectome structurel est calculé sur la base d'un mo-dèle de théorie des graphes.

L'analyse des images fonctionnelles à l'état de repos relève de l’analyse IRM-f « classique » est basée sur le modèle linéaire global. L’analyse est précédée par une coregistration des images sur un atlas de matière grise et d'une interpolation temporelle d’un facteur 10.

Le connectome fonctionnel est ensuite calculé à partir d'une analyse de corrélation des voxels activés à travers le temps et l'espace.

La connectivité spatio-temporelle, que nous appelons ici connectivité pseudo-effective, est le résultat de la fusion de données de connectivité fonctionnelle et structurelle. Les zones céré-brales synchronisées dans le temps et dans l'espace sont confrontées à un connectome structurel.

Si des zones synchronisées sont connectées par fibre, et ce quel que soit le schéma, elles seront considérées comme faisant partie du même réseau. Une fois la connectivité pseudo-effective réalisée, chaque réseau sera comparé à la base de données de 408 réseaux cérébraux (appelés fonctions cérébrales) avec un algorithme de logique floue afin d'identifier à quelle fonction cérébrale correspond chaque réseau identifié lors de l'étape de connectivité effective. Enfin, la valeur de corrélation de chaque réseau est normalisée entre sa valeur la plus basse et sa valeur la plus élevée. L'activité normalisée est appelée occurrences temporelles et utilise une échelle de temps TR.

En sortie d’analyse, nous obtenons un fichier contenant la valeur d'occurrence à chaque TR pour chacune des 408 fonctions cérébrales. Ces données sont ensuite exportées vers MATLAB afin de calculer les variables neuro-fonctionnelles décrites plus loin (cf. Partie V.1.3.6.1).

1.3.5.2. CONN

1.3.5.2.1. Prétraitement et analyse ROI-to-ROI

En complément des analyses effectuées avec BrainAnalyst, nous avons souhaité réaliser des analyses conventionnelles de connectivité fonctionnelle à l’aide de la toolbox Conn (v.20b).

Suivant les recommandations, nous avons importé les données anatomiques (séquence Bravo T1) et fonctionnelles (séquence BOLD) des sujets et procédés à un prétraitement des images suivant le pipeline proposé par défaut (voir Figure 32), sans en modifier les paramètres.

Figure 32: Schéma du pipeline de prétraitement des données anatomo-fonctionnelles avec Conn, (Nieto-Castanon 2020)

Le prétraitement a été suivi d’une tâche de « denoising », consistant à reconstruire le signal des voxels et en extraire le signal BOLD par suppression du signal parasite causé par différents facteurs comme les micro-mouvements de la tête (estimés lors du prétraitement), du signal de la substance blanche, du liquide cérébrospinal, etc. ; par défaut cette étape est constituée d’une régression linéaire et d’un filtrage des fréquences externes à la bande [0.008-0.09 Hz].

En l’absence d’hypothèses sur la connectivité entre des régions anatomo-fonctionnelles spéci-fiques à l’exception des réseaux dits de repos (RSN- Resting state networks) tel que le réseau du mode par défaut, nous nous sommes orientés sur une analyse ROI-to-ROI multivariée en utilisant l’atlas proposé par Conn. Cet atlas a l’avantage d’être pleinement adapté au logiciel, optimisant ainsi le processus de segmentation des 132 ROI. D’autres atlas, tels que l’AAL3, proposent une plus grande ségrégation anatomo-fonctionnelle ; cependant en l’absence de con-naissances solides en neuroanatomie, une incertitude peut subsister sur la précision de la seg-mentation des images et ainsi sur le signal fonctionnel de chaque ROI.

1.3.5.2.2. Central Autonomic Network

Après revue de la littérature afin d’identifier les principales régions cérébrales constituants le CAN et méthodes d’analyses de ce dernier, nous avons opté pour l’approche décrite par (Mon-roe et al. 2020)

Pour chaque région définissant le CAN (Tableau 5, Figure 33), un ROI sphérique de 5mm de diamètre a été créé à partir d’un template MNI à l’aide de la toolbox Marsbar (Brett et al. 2002).

Tableau 5: Coordonnées dans l’espace MNI de l’ensemble des régions définissant le CAN, d’après (Monroe et al. 2020).

MNI coordinates (en mm) Code couleur

(Figure 33)

X Y Z

Right ventral anterior insula 38.4 10.8 -9.5

Left ventral anterior insula -36.5 11 -12.9 1

Right medial prefrontal cortex 4.7 55.5 -17.3

Left medial prefrontal cortex -3.9 55.5 -17.7 2

Right medial orbitofrontal cortex 21.1 22.4 -20

Left medial orbitofrontal cortex -23 22.4 -20.3 3

Right amygdala 24.4 -3.9 -18.9

Left amygdala -23 -2.8 -17.3 4

Right periaqueductal grey 4.2 -32.5 -10.2

Left periaqueductal grey -2 -29.9 -7.9 5

Right hypothalamus 8.1 -1.5 -12.5

Left hypothalamus -5.2 -1.6 -12.9 6

Right subgenual anterior cingulate cortex 2 23.7 -6.5 Left subgenual anterior cingulate cortex -3.9 23.7 -6.1 7

Figure 33: Représentation des régions composant le Central Autnomic Network d’après (Monroe et al. 2020). L’échelle couleur reprend l’ordre des régions listées dans le Tableau 5, sans distinction de latéralité. Image réalisée à l’aide de BrainNet Viewer (Xia, Wang, et He 2013).

Les ROIs créés ont ensuite été regroupées en un fichier Nifti et importées dans Conn avant d’être finalement analysées selon la procédure de connectivité inter-ROI décrite précédemment.

1.3.5.2.3. Analyse de 2^nd niveau

Les analyses de 2^ème niveau effectuées sous Conn reposent l’utilisation d’un modèle linéaire généralisé associant des variables « sujets » et des variables « conditions ».

Figure 34: schéma du GLM utilisé pour les analyses de 2ème niveau en IRM fonctionnelle (Nieto-Castanon 2020)

Dans le cadre de notre étude, les sujets ont été codés [0,1] afin de désigner leur appartenance à chaque groupe, et ainsi obtenir les 2 covariables de groupes, mindful et non-mindful. Cherchant à comparer nos 2 groupes de sujets, nous avons défini le contraste inter-sujets, C = [1,-1] soit groupe mindful (H-DM) > groupe non mindful (B-DM). Aucun contraste inter-condition n’a été spécifié puisqu’il s’agit d’un protocole de repos ; de plus compte tenu de notre résolution temporelle, nous avons opté pour une approche statique et non dynamique. Le test statistique utilisé par Conn est un test de student à deux échantillons.

1.3.6. Variables issues de l’analyse des réseaux