Méthode de réduction de la contribution du bruit 1 Moyenne des réponses

Afin de réduire la contribution du bruit, la méthode la plus classiquement employée, et également la plus simple, consiste à multiplier les enregistrements pour un même stimulus et de moyenner ces enregistrements (Blasdel, 1992a, b, Blasdel et Salama, 1986). Étant donné que le bruit physiologique n’est pas synchronisé avec les enregistrements, celui-ci va progressivement s’annihiler au fur et à mesure des répétitions permettant ainsi d’augmenter le rapport signal/bruit de la réponse évoquée. Malgré tout, à elle seule, cette stratégie est insuffisante et/ou nécessite un nombre de répétitions parfois trop important. De plus, augmenter le nombre de présentation s’avère rapidement infructueux dans la mesure où le gain de rapport signal/bruit est relié à la racine carrée du nombre de répétitions.

3.4.2.2 Normalisation

Des méthodes additionnelles ont donc été élaborées pour normaliser le signal par rapport à une activité basale (Bonhoeffer et Grinvald, 1996). Cette activité basale peut être estimée de plusieurs façons :

L’activité du cortex non activé (« blank ») consiste à enregistrer l’activité

spontanée lors d’une condition de référence (e.g. un écran gris). Cette approche intuitive, similaire à celle utilisée dans de nombreuses approches neurophysiologiques possède néanmoins un inconvénient majeur : En imagerie

optique, la réponse non spécifique à un stimulus est très forte et n’est pas évaluée avec ce type de méthode.

L’activité du cortex uniformément activé (« cocktail blank ») possède l’avantage

de prendre en compte cette activité non spécifique en plus de l’activité basale. Elle consiste cette fois à additionner les réponses de tous les stimuli (Bonhoeffer et Grinvald, 1993). Toutefois, dans le cas où les réponses pour chaque stimulus ne sont pas distribuées uniformément, l’annihilation des réponses spécifiques antagonistes n’est pas complète ce qui peut introduire un biais.

La « soustraction de la première image » consiste à soustraire l’activité de base

précédant la stimulation. Les fluctuations du signal lors de l’enregistrement précédant la stimulation peuvent également être prise en compte pour donner plus ou moins d’important au signal (e.g. Z-score, (Gias et al., 2005)).

La soustraction du bruit de basse fréquence spatiale, estimé par une fonction polynomiale a récemment été développée avec succès par (Ribot et al., 2006)

comme le montre la figure 17.

Malgré cela, la structure spatiale du bruit reste parfois trop complexe et trop variable ce qui peut limiter l'efficacité des techniques de soustraction du bruit. D’autres traitements, tel que le filtrage spatial, sont donc le plus souvent nécessaires.

3.4.2.3 Filtrage spatial

Comme précédemment décrit, la source principale de signaux non spécifiques se traduit par des bruits de basses fréquences spatiales ainsi que par des zones de forte amplitude au niveau des vaisseaux sanguins dont la structure ne suit à priori pas d'organisation périodique. A l'inverse, les cartes modulaires respectent le plus souvent une organisation périodique plus ou moins robuste. Cette propriété a pu être exploitée dans de nombreuses études par l'emploi de filtres bidimensionnels passe-haut ou passe-bande (figure 17). Avec cette méthode, chaque carte d'activation est convoluée par un filtre maximisant le passage d'une gamme de

Figure 17. Méthodes de réduction du bruis spatial

Cartes d’orientation (orientation préférée seule, en haut, et normalisée par l’amplitude, en bas) calculée sans filtrage (a), avec un filtrage spatial passe-haut (b), une estimation du bruit par un modèle polynomial (c) et une méthode basée sur l’analyse en composante principale (Generalized Indicator Function, GIF, Yokoo et al., 2001) (d). Le bruit de basse fréquence spatiale est particulièrement présent en (a) et (b) (couleur verte). Adaptée de Ribot et al. (2006).

fréquence spatiale (e.g. le plus souvent une différence de "gaussienne" est employée).

En combinaison avec la moyenne d'un nombre suffisant de répétitions, ce type de filtrage est très robuste, simple à mettre en place et est souvent suffisant pour pouvoir exploiter les résultats directement. Toutefois, dans certains cas cette approche peut souffrir de quelques inconvénients :

1- Elle suppose de connaître par avance la périodicité de la carte modulaire étudiée. Elle peut aussi influencer sa structure en "favorisant" une période plus que les autres. Néanmoins, dans la majorité des études (e.g. carte d'orientation) la structure est déjà caractérisée et dans le cas où elle ne l'est pas, elle est facilement déterminable comme cela a été réalisé dans la 2e _{étude de cette thèse.}

2- Elle considère que la carte est isotrope (i.e. que la période spatiale est identique dans les 2 axes de l'espace, (Ribot et al., 2006)). Il est à noter que cet inconvénient peut être facilement surmonté en augmentant la largeur de bande du filtre ou en utilisant un filtre passe-haut exclusif.

3- En l'absence d'aucune structure modulaire dans le cortex, le filtrage peut faire apparaître une structure périodique artéfactuelle à partir du bruit. Toutefois, l'amplitude de cette organisation artefactuelle sera faible et variable en fonction du temps. Il convient donc de toujours considérer l'amplitude de la réponse et la "persistance" de la sélectivité (e.g. orientation préférée) en fonction du temps. Ces aspects ont particulièrement été pris en compte dans les études 1 et 2 de cette thèse.

4- Le filtrage spatial peut introduire des "effets de bord" (i.e. artefacts apparaissant sur les bords des images visibles sur la figure 17). L'influence de ces artefacts peut être très facilement réduite en réalisant des régions d'intérêt plus large, comme cela a été fait dans les études de cette thèse grâce à l’emploi de la plus grande chambre d'enregistrement en imagerie optique actuellement utilisée (20 x 27 mm).

Malgré le potentiel du filtrage spatial, ce dernier ne peut être utilisé pour révéler des cartes non-modulaires, telles que les cartes de rétinotopie, ou lorsque la contribution du bruit est trop forte.

Les approches exploitant les analyses en composantes principales (ou méthodes reliées) ont récemment offert des résultats très prometteurs (voir pour revue : (Sirovich et Kaplan, 2002)). Beaucoup plus complexes à mettre en œuvre que les approches précédentes, elles permettent néanmoins d'être applicable sur n'importe quelle structure de carte d'activation.

Dans le signal, on observe beaucoup de composantes reliées ou non au stimulus et qui n’ont pas le même profil spatiotemporel. Toutes ces composantes peuvent être isolées grâce à l'analyse en composantes principales. Les composantes reliées au stimulus peuvent alors être identifiées et extraites. Dans un premier temps leur isolement s’est fait de manière subjective. Plusieurs améliorations ont donc été apportées pour améliorer l'objectivité de l'identification des composantes (Everson et al., 1997, Everson et al., 1998, Gabbay et al., 2000). Récemment (Yokoo et al., 2001) a proposé une méthode identifiant le profil d'activation applicable au stimulus sans connaître au préalable la forme du signal ou des bruits (figure 17). En parallèle, d'autres approches, basées sur l'analyse en composantes indépendantes ont été développées en se basant sur le fait que les sources de signaux sont indépendantes entre elles (Stetter et al., 2000). Aussi efficaces et astucieuses soient-elles, ces approches restent relativement sophistiquées et lourdes à mettre en place ce qui a sûrement contribué à limiter leur emploi (i.e. la plupart de ces méthodes ne sont par la suite jamais, ou très rarement, exploitées dans des études fonctionnelles en imagerie optique).

3.4.2.5 Stimulation périodique

En parallèle de ces précédentes approches, des stratégies basées sur l'analyse temporelle ont vu le jour (Sornborger et al., 2003, Sornborger et al., 2005). Parmi elle, la "stimulation périodique" proposée par (Kalatsky et Stryker, 2003) offre une simplicité d'emploi qui, par la suite, a probablement participé à son succès dans de nombreuses études en imagerie optique. Cette méthode, développée initialement pour les acquisitions en IRMf (Engel et al., 1994, Boynton et al., 1996), consiste à présenter périodiquement le stimulus et, via une transformée de Fourier du signal enregistré, récupérer la réponse évoquée à la fréquence de stimulation (voir pour revue : (Kalatsky, 2009)).

Le principal avantage de cette méthode est qu'elle permet d’extraire la réponse évoquée à une fréquence choisie pour ne pas correspondre aux gammes de

fréquences des bruits périodiques vasculaires : mouvements cardiorespiratoires et ondes de Mayer. La discrimination du signal parmi le bruit devient donc importante (i.e. augmentation du rapport signal/bruit de l'ordre de 10x selon (Kalatsky et Stryker, 2003)) ce qui permet de réduire considérablement la durée des enregistrements. Un deuxième avantage est que l'activité basale est présente dans la composante DC et les basses fréquences de la transformée de Fourier et n'est donc plus présente dans le signal évoqué. De ce fait, aucune normalisation n’est à priori nécessaire.

La "stimulation périodique" représente donc un outil très efficace pour extraire le signal. Dans le chapitre suivant, nous verrons qu'en présentant plusieurs stimuli de manière continue (stimulation continue), il sera possible d'estimer très efficacement et simplement la sélectivité pour chaque pixel (e.g. rétinotopie, orientation, ...).