I. Origine du signal BOLD 1. De l’activation neurale à l’effet BOLD Sommaire I. Origine du signal BOLD 1. De l’activation neurale à l’effet BOLD 2. Signal mesurable en IRM, en IRMf II. Paradigmes expérimentaux III. Analyse des données IRMf IV. Applications

Origine physiologique des signaux

I.1 Réseau vasculaire cérébral Artérioles Y=95% au repos Y=100% pendant l’activation 25 mm diamètre <15% du volume sanguin des tissus corticaux Veinules Y=60% au repos Y=90% pendant l’activation 25-50 mm diamètre 40% du volume sanguin des tissus corticaux Globules rouges 6 mm de largeur et 1-2 mm épaisseur Délivre l’O2 sous forme d’oxyhémoglobine Capillaires Y=80% au repos Y=90% pendant l’activation 8 mm de diamètre. 40% du volume sanguin des tissus corticaux Site principal d’échange d’O2 avec les tissus Transit Time = 2-3 s

Effet BOLD=Blood Oxygenation Level-Dependent (Ogawa et al. 1990) Produit de contraste intrinsèque : Oxyhémoglobine (HbO2) : diamagnétique Désoxyhémoglobine (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 cérébrale Consommation locale d’ATP Métabolisme énergétique local Activité neurale CBF CMRO2 CMRGlc CBV Le signal BOLD résulte d’un mélange compliqué de ces paramètres

(extraction d’O2-> HbO2 devient Hb) (plus d’Hb dans un voxel donné) CBF, CBV et CMRO2 ont des effets différents sur la concentration d’HbO2 : (plus d’HbO2 délivrée -> moins d’Hb dans le compartiment veineux si l’excès d’O2 n’est pas utilisé) CMRO2 CBV CBF 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.

Métabolisme d’activation cérébrale (suite) Mais DCBF >> DCMRO2 (30% >> 5%) Dépasse la quantité nécessaire pour supporter la faible augmentation du métabolisme de l’O2. Ce “déséquilibre” est d’abord un phénomène physiologique qui produit des variations du signal BOLD. Se traduit par une plus grande concentration en [HbO2] dans le compartiment veineux par rapport à [Hb]. Se traduit par une augmentation de l’intensité de l’image Moins d’Hb génère moins de substance paramagnétique. 2 modèles d’explication de ce déséquilibre entre CBF et CMRO2 Lien linéaire (Turner-Grinvald) ou non-linéaire entre le CBF et la CMRO2 (modèle d’oxygénation limitée).

La fonction de réponse hémodynamique Phase d’hyper-oxygénation Réponse précoce (“intial dip”) Rebond final : “final undershoot” Signal micro vasculaire Signal macro vasculaire Généralement %DSmicro < %DSmacro, MAIS pas toujours.

Lien entre activité neurale et signal BOLD D’après Logothetis et al. Nature août 2001 Corrélation significative entre activité post-synaptique et activité hémodynamique mesurable en IRMf

Principes physiques de mesure en IRM

pas de champ magnétique I.2 Principe de la RMN En présence d’un champ magnétique, l’aimantation de certains noyaux (hydrogène, phosphore… ) s’oriente dans la direction du champ : champ magnétique produit par un aimant pas de champ magnétique L’aimantation résultante peut être mesurée en envoyant des ondes radio. L’aimantation résonne et émet en retour une onde radio qu’on mesure : excitation des aimantations onde émise en retour mesurée résonance Le savoir-faire développé pour la mesure de la VK en RMN du C13 pourra ê combiné à l’utilisation de traceurs radioactifs qui sont couramment utilisés au SHFJ Ainsi la détection locale de l’analogue radioactif du glucose le FDG, renseigne sur le flux glycolytique. La combination de la mesure de la VK par RMN et de la mesure du flux glycolytique par utilisation de FDG permettra d’étudier le couplage entre les métabolismes glycolytique et oxydatif en conditions normales comme en conditions pathologiques. Cette approche pourra être élargie à l’utilisation de tous les traceurs utilisées en RMN et en TEP, profitant ainsi pleinement des expertises en RMN et en TEP qui se trouvent réunies au SHFJ.

RMN - Conditions initiales Application d'un champ magnétique statique B0 et apparition d'un moment macroscopique M0 B0 M0 MZ= M0 M^= 0 z B0 Bascule du moment magnétique sous l'impulsion radiofréquence (ou champ tournant b1) MZ b1 y x

Précession libre et retour à l'état initial RMN – Signal mesuré B0 Fin de l'impulsion à 90° M^= M0 M^ y x B0 Précession libre et retour à l'état initial MZ T1 : Temps de repousse ou de relaxation longitudinal ie de croissance de y MZ M^ x T2 : Temps de relaxation transverse Décroissance de M^

Temps d’écho (TE) Echo de spin pour retarder l’instant de lecture du signal TE/2 Impulsion à 180° Impulsion à 90° FID 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 nouveau déphasés

Contraste des images IRMf IRM anatomique Pondération enT1 Pondération en T2 (ou T2*) t T1 court T1 long TR ~ T1 TE ~ T2 Moment longitudinal transverse T2 court T2 long IRMf IRM anatomique D’après AL. Paradis 2001, Thèse Univ. Paris VI

Effet BOLD=Blood Oxygenation Level-Dependent (Ogawa et al. 1990) Substance paramagnétique perturbe le champ magnétique local et modifie caractérisée par T2* M^ Produit de contraste intrinsèque : Oxyhémoglobine (HbO2) : diamagnétique Désoxyhémoglobine (Hb) : paramagnétique Activation cérébrale Légère augmentation de la consommation O2, accompagnée d’un fort afflux de Sang oxygéné Conséquence : augmentation de la concentration en sang oxygéné des vaisseaux proches des neurones actifs Les images BOLD sont pondérées en T2*

Construction des images 3D : codage spatial Sélection de coupe Gradient de champ magnétique orthogonal au plan de coupe voulu (selon Oz) Codage en fréquence (I) Encodage de phase (II) 1 séquence d’acquisition doit inclure les différents types de codage (multi-coupes) Sur chaque coupe = (I) + (II) Valeur du champ Statique pendant La lecture B0 + G .x x B0 Signal émis/lu Image 1D reconstruite Transformée Axe de codage en de Fourier fréquence (x) Objet émetteur Axe Les protons vont précesser à différentes fréquences Les signaux associés sont séparés par transformée de Fourier

Séquence EPI : principe Parcours du k-space Codage en fréquence selon x Encodage de phase selon y

Séquence EPI à écho de gradient: Imagerie ultra-rapide Temps de répétition inter-coupes B1 Impulsion à 90° (radiofréquence) + Sélection de coupe G Z - + Sélection d'une ligne G y - (encodage de phase) - + G x Lecture d'une ligne (codage en fréquence) Temps d'écho (TE) Signaux lus

Caractéristiques des séquences EPI Imagerie ultra-rapide (pour 1 coupe, TA <100 ms) Très bonne résolution spatiale (3 à 4 mm) Résolution temporelle (TR ~1sec ) : filtrage passe bas Artéfacts d’acquisition en IRMf : Perte de signal dans régions orbito-frontales & pôles temporaux à cause de la présence d’une interface entre les tissus à forte composante aqueuse et l’os (atténuation du signal pondéré en T2*) Distorsions géométriques dues à la contrainte de rapidité : écrasement ou élongation dans la direction d’encodage de phase

Petite galerie des horreurs d’artéfacts Perte de signal localisées Fantôme de Fourier Cortex orbito-frontal Pôle temporal Distorsions par rapport à l’anatomie Avant correction Après correction

Paradigmes expérimentaux en IRMf

Dessins en bloc = trial of one type (e.g., face image) = trial of another type (e.g., place image) Hyp : Puisque la fonction de réponse hémodynamique opère comme une filtre passe bas sur la réponse neurale, la résolution temporelle de l’IRMf est limitée

Hypothèse d’une dynamique d’activation stable 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 stable Price et al. 1999, Neuroimage, 10, 36 – 44.

Quelles sont les limites temporelles ? Quelle est le stimulus le plus bref que l’IRMf peut détecter ? Blamire et al. (1992) – 2 sec Bandettini (1993): 0.5 sec Savoy 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 événementiels Source: Buckner 1998

Pourquoi un dessin événementiel en 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 événementielle 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 BOLD Dale & Buckner, 1997 Linéarité : “Les réponses s’ajoutent elles vraiment ?” rouge =2-1 vert = 3-2 Synchroniser la réponse à chaque essai sur le début de l’essai Pas complètement linéaire mais bonne approximation

IRMf 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 événementiels 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) Permet de faire de l’amorçage (priming) Evénements rares ou imprédictibles peuvent être mesurés e.g., P300 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

Analyse des données en IRMf time Analyse des données en IRMf

? Data analysis Key concepts Statistical Parametric Mapping …a voxel by voxel hypothesis testing approach reliably identify regions showing a significant experimental effect of interest Key concepts Type I error significance test at each voxel Parametric statistics parametric model for voxel data, test model parameters No exact prior anatomical hypothesis multiple comparisons Statistical Parametric Mapping General Linear Model Theory of continuous random fields ?

images Design Adjusted signal matrix Your question: a contrast Spatial filter General Linear Model Linear fit statistical image realignement & coregistration Random Field Theory smoothing normalisation Statistical Map Uncorrected p-values Anatomical Reference Corrected p-values

Example epoch fMRI activation dataset: Auditory stimulation Single subject RH male Conditions Passive word listening Bisyllabic nouns 60wpm against rest Epoch fMRI rest & words epochs of 6 scans 42 second epochs 7 BA cycles experiment was 8 cycles: first pair of blocks dropped BABABABABABABA last 84 scans of experiment images 16–99 ~10 minutes scanning time (50, -40, 8) — Primary Auditory Cortex Epoch fMRI 7s RT – interscan interval 84 scans – images 16–99 1 session 1 condition/trial: words Deterministic design: Fixed SOA of 12 scans (42s) Epoch design First trial at time 6 scans, 6 scans / words epoch SPM parameters (event terminology)

One voxel = One test (t, F, ...) amplitude General Linear Model Fitting statistical image time Statistical image (SPM) Temporal series fMRI voxel time course

Voxel statistics… parametric non-parametric?  later one sample t-test two sample t-test paired t-test Anova AnCova correlation linear regression multiple regression F-tests etc… non-parametric?  later all cases of the General Linear Model assume normality (/ ) can account for temporal autocorrelation

Box car regression : design matrix… (voxel time series) data vector error vector design matrix parameters a = ´ + m Y = X ´ b + e

…design matrix = + Y = X ´ b + e = the betas (here : 1 to 9) error vector design matrix parameters data vector a m b3 b4 b5 b6 b7 b8 b9 = + Y = X ´ b + e

Modèle linéaire général Matrice de dessin Ensemble de fonctions modélisant la réponse BOLD attendue aux différentes conditions expérimentales Estimation des paramètres b du modèle Minimise l’erreur quadratique Non biaisé b3 b4 b5 b6 9 = ´ + Y = X ´ b + e Contrastes et tests : F : Information apportée par une ou plusieurs combinaisons de régresseurs T (contrastes) : Comparaison des paramètres estimés Exemple : 0 0 1 0 0 1 1 -1

…fitted raw fMRI time series fitted box-car scaled for global changes adjusted for global & low Hz effects fitted box-car scaled for global changes fitted “high-pass filter” residuals

Multivariate perspective… voxels ? ? =  + design matrix parameters data matrix errors scans  =  + Y X s2 variance parameter estimates Predicted data   residuals  ^  estimated variance = estimated component fields “Image regression”

Multivariate perspective… voxels parameter estimates =  + data matrix residuals scans e = + Y X  ^ voxels parameter estimates =  + residuals data matrix scans Y = X0 0 ^ + e0 “Image test” estimated var s - = F-test image estimated var s0

When do we get surprised ? high voxel values voxel level inference big suprathreshold clusters (need to choose a threshold here !) cluster level inference many suprathreshold clusters, or many big supra threshold clusters set level inference high mean square voxel values omnibus inference - cf MLM t59

Multiple comparisons : Why? Gaussian 10mm FWHM (2mm pixels) p = 0.05

The “Bonferroni” correction… Suppose N independent tests (eg at each voxel i ) : a : threshold that we are looking for P(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 = a Dependant : a = ? N ? - Dependance ? 5mm 10mm 15mm

Summary: Levels of inference & power

Application en IRMf événementielle

étude du langage (Pallier et al. 2002) Activations fonctionnelles superposées à l’anatomie Carte SPM p-value corrigée Analyse de groupe Matrice de dessin expérimental

Détails sur la matrice de dessin

Nouveaux développements

Analyse d’essais simples Utiliser le MLG avec des predicteurs, comme pour des dessins en bloc. 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 … Raw data Event-related average with control period factored out A signal change = (A – F)/F B signal change = (B – F)/F 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 important : rendre aléatoire ou contrebalancer l’ordre des essais

Variabilité de la HRF Aguirre, Zarahn & D’Esposito, 1998 la variabilité inter-sujets de la HRF est considérable différents sujets Pour chaque sujet, les réponses sont plus consistantes, bien qu’il existe une variabilité inter-sessions même sujet, même session même sujet, différentes sessions

Variabilité de la HRF : implications Aguirre, 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 (Buxton et al. 98,JCBFM) Couplage neuro-vasculaire Maintient un couplage étroit entre hémodynamique et besoin des neurones en O2 Différence d’élasticité entre secteurs veineux et artériels « Initial dip » : accroissement du volume veineux « Final undershoot » : retour du volume à sa valeur basale plus lente que le retour du flux sanguin Signal tissulaire, signal vasculaire Effet BOLD modéré + effets transitoires (ID,FU) dans les capillaires Effet BOLD massif dans les veines de drainage A haut champ, les acquisitions favorisent le signal tissulaire