Amélioration de la correspondance des données du localisateur de champ visuel IRMf après le cortex

Rapports scientifiques volume 12, Numéro d'article : 14310 (2022) Citer cet article

749 accès

4 Altmétrique

Détails des métriques

L'étude du système visuel avec l'IRMf nécessite souvent l'utilisation de paradigmes de localisation pour définir les régions d'intérêt (ROI). Cependant, la variabilité interindividuelle considérable du cortex cérébral représente une confusion cruciale pour les analyses au niveau du groupe. Les techniques d'alignement basé sur le cortex (CBA) réduisent de manière fiable la variabilité macroanatomique interindividuelle. Pourtant, leur utilité n'a pas été évaluée pour les paradigmes de localisation du champ visuel, qui cartographient des parties spécifiques du champ visuel dans des zones visuelles organisées de manière rétinotopique. Nous avons évalué l'ACB pour un localisateur de champ visuel amélioré par l'attention, en cartographiant des parties homologues de chaque quadrant visuel chez 50 participants. Nous avons comparé l'ACA avec un alignement basé sur le volume et une analyse basée sur la surface, qui n'incluait pas l'alignement macroanatomique. L'ACA a conduit à la plus forte augmentation de la probabilité de chevauchement d'activation (jusqu'à 86%). Au niveau du groupe, l'ACA a conduit à l'augmentation la plus constante de la taille du retour sur investissement tout en préservant la symétrie verticale du retour sur investissement. Dans l'ensemble, nos résultats indiquent qu'en plus de l'augmentation du rapport signal sur bruit d'une analyse basée sur la surface, l'alignement macroanatomique améliore considérablement la puissance statistique. Ces résultats confirment et étendent l'utilité de l'ACA pour l'étude du système visuel dans le cadre d'analyses de groupe. L'ACB devrait être particulièrement pertinente dans l'étude des troubles neuropsychiatriques avec une variabilité macroanatomique interindividuelle anormalement augmentée.

Le système visuel comprend une multitude de représentations topographiques de résolution variable dans des aires visuelles de plus en plus spécialisées1. L'imagerie par résonance magnétique fonctionnelle (IRMf) offre une variété de méthodes soit pour cartographier ces représentations topographiques dans leur intégralité, soit pour localiser des zones visuelles spécifiques ou des positions rétinotopiques au sein de leur topographie. Ces approches sont essentielles non seulement pour l'étude fine des propriétés fondamentales du système visuel1, mais aussi pour étudier le rôle de ces zones dans les processus cognitifs d'ordre supérieur tels que l'attention visuelle et la mémoire de travail2,3,4,5,6. Cela s'étend également aux études translationnelles du dysfonctionnement visuel et de ses conséquences cognitives dans les troubles neuropsychiatriques7,8.

Les méthodes de cartographie visuelle basée sur l'IRMf, c'est-à-dire les techniques permettant de définir des régions d'intérêt dans le système visuel en fonction de propriétés fonctionnelles spécifiques, se répartissent en trois grandes catégories : cartographie rétinotopique, localisateur de champ visuel et paradigmes de localisateur fonctionnel. La cartographie rétinotopique et la cartographie plus avancée du champ récepteur de la population (pRF) permettent la délimitation complète des zones visuelles précoces1,9,10. À l'inverse, les paradigmes de localisation du champ visuel peuvent cartographier une région circonscrite dans une zone visuelle organisée de manière rétinotopique11,12. Enfin, les localisateurs fonctionnels peuvent détecter des zones visuelles d'ordre supérieur telles que la zone faciale fusiforme (FFA), la zone de place parahippocampique (PPA), la zone corporelle extrastriée et le complexe occipital latéral (LOC), qui sont regroupées et montrent une spécialisation pour le traitement de catégories spécifiques d'informations visuelles complexes1,13,14. Dans la plupart des études d'IRMf, la grande variabilité anatomique interindividuelle des zones corticales en termes de taille et de localisation constitue un défi important15,16,17,18,19,20,21,22,23. Par exemple, il a été démontré que le cortex visuel primaire (V1) peut différer d'environ deux fois la taille entre les individus17. De plus, la variabilité anatomique en termes de localisation s'est avérée particulièrement prononcée dans les zones visuelles extrastriées24. Cette confusion cruciale réduit le pouvoir de cartographier de manière fiable les zones visuelles au niveau du groupe.

Une façon d'atténuer ce problème consiste à regrouper les régions d'intérêt (ROI) à sujet unique, tout en utilisant simultanément la probabilité globale basée sur le groupe pour cette ROI à chaque point d'un système de coordonnées cartésiennes comme contrainte25,26,27. Bien qu'une telle analyse basée sur un seul sujet améliore la sensibilité et la résolution fonctionnelle par rapport à une approche standard basée sur un groupe, elle ne réduit pas réellement la variabilité macroanatomique. De plus, l'étude de l'interaction entre les zones visuelles et d'autres zones corticales plus directement impliquées dans les processus cognitifs d'ordre supérieur avec des méthodes du cerveau entier telles que les analyses de réseau connectomique fonctionnelle28 pourrait exclure une stratégie basée sur un seul sujet.

Les analyses basées sur des groupes nécessitent généralement une normalisation spatiale des données d'imagerie structurelles et fonctionnelles dans un système de coordonnées cartésien commun tel que l'espace Talairach29 ou MNI30. Dans sa forme la plus élémentaire, la normalisation spatiale basée sur le volume utilise une transformation linéaire qui correspond à l'étendue globale des cerveaux à un modèle de cerveau standard. Alors que la transformation dans l'espace de Talairach repose sur des repères anatomiques, la transformation dans l'espace MNI utilise un enregistrement entièrement piloté par les données d'images structurelles sur un cerveau modèle moyen30. Bien que ces approches de normalisation spatiale entraînent intrinsèquement un alignement des cerveaux, les algorithmes sous-jacents ne sont pas optimisés spécifiquement pour aligner les structures cérébrales homologues. À l'inverse, des méthodes plus raffinées utilisent des algorithmes de déformation non linéaires guidés par des différences d'intensité pour améliorer l'alignement macroanatomique31. Ainsi, toutes ces méthodes peuvent être classées dans la catégorie des techniques d'alignement basé sur le volume (VBA). Cependant, les VBA linéaires et non linéaires ne tiennent généralement pas compte des propriétés topologiques du cortex cérébral et de ses caractéristiques géométriques telles que les sulci et les gyri. Par conséquent, les méthodes VBA entraînent une quantité considérable de variabilité anatomique interindividuelle résiduelle32,33.

Les procédures basées sur la surface constituent une approche alternative importante. La normalisation spatiale basée sur la surface utilise généralement un système de coordonnées géodésiques, qui permet une représentation bidimensionnelle du cortex cérébral et respecte la topographie corticale dans une bien plus grande mesure que les systèmes de coordonnées cartésiens traditionnels18,34. Cette approche offre deux avantages principaux par rapport à VBA. Premièrement, la normalisation spatiale basée sur la surface permet de limiter la lecture des données et le prétraitement des données, comme le lissage spatial du tissu cortical. Cela réduit considérablement la contamination du signal par la substance blanche et le liquide céphalo-rachidien et empêche également la plupart du temps la contamination des zones corticales proximales dans l'espace volumique mais considérablement plus éloignées dans l'espace superficiel. Dans l'ensemble, cette approche améliore le rapport signal sur bruit (SNR). Par conséquent, le lissage spatial dans l'espace surfacique est supérieur au lissage spatial dans l'espace volumique19,35. Le deuxième avantage de la normalisation spatiale basée sur la surface est la possibilité d'utiliser des modèles de pliage corticaux individuels pour un alignement macroanatomique supplémentaire, entièrement basé sur les données, du cortex cérébral34. Par rapport aux techniques VBA, ces méthodes d'alignement basé sur le cortex (CBA) améliorent considérablement la correspondance anatomique des structures corticales tout en respectant les limites cytoarchitectoniques36. Ainsi, la CBA conduit à une réduction notable de la variabilité anatomique interindividuelle18,34,37,38,39.

Il est important de noter que les études précédentes ont souvent comparé exclusivement les données de surface avant et après l'alignement macroanatomique19,40, en utilisant essentiellement la première approche comme proxy pour VBA. Pourtant, cette comparaison ne reflète que le deuxième avantage de la CBA, à savoir l'utilisation de l'alignement macroanatomique au lieu de la VBA. Cependant, dans ce cas, les deux ensembles de données bénéficient également d'une contamination réduite du signal, sous-estimant probablement les effets complets de l'ACB. L'évaluation de l'impact de ce premier avantage des analyses basées sur la surface de manière isolée nécessite une comparaison de la VBA avec une analyse basée sur la surface sans alignement macroanatomique. Nous appelons cette approche intermédiaire une "analyse basée sur la surface utilisant VBA" (SBAV). Ainsi, l'évaluation des deux avantages de l'ACB nécessite la comparaison de trois approches : VBA, SBAV et ACB.

En raison des propriétés avantageuses décrites ci-dessus, les méthodes CBA ont été proposées comme une approche alternative à VBA spécifiquement pour le système visuel26. Plusieurs études ont comparé l'impact des méthodes VBA et CBA sur des techniques de cartographie visuelle spécifiques. Pour la cartographie rétinotopique, une amélioration du chevauchement fonctionnel en V1 et V2 après CBA a été démontrée34,41. Pour les données de localisateur fonctionnel, CBA augmente considérablement le chevauchement des zones de traitement d'objet LOC, FFA et PPA entre les sujets19,42,43,44. À l'inverse, les effets de la CBA sur les paradigmes de localisation du champ visuel cartographiant des positions rétinotopiques spécifiques n'ont pas été étudiés. Ainsi, l'utilité de l'ACB a été démontrée pour deux des trois principales catégories de méthodes de cartographie visuelle, c'est-à-dire les méthodes qui cartographient des zones entières, définies principalement par des propriétés cytoarchitectoniques (par exemple V1) ou fonctionnelles (par exemple FFA). À l'inverse, on ne sait toujours pas dans quelle mesure l'ACB peut améliorer l'alignement des ROI cartographiés par les paradigmes de localisation du champ visuel. De tels paradigmes sont nécessaires pour l'étude détaillée du traitement local de stimuli visuels simples dans les premières aires visuelles11,12,45,46,47. Des damiers clignotants couvrant la zone d'intérêt exacte dans le champ visuel sont principalement utilisés à cette fin. Les damiers entraînent une augmentation particulièrement forte du signal BOLD dans les zones visuelles précoces (V1–V3)48. Pour maximiser la fidélité des cartes de localisation résultantes, les paradigmes de localisation de champ visuel utilisent généralement le fait que la modulation attentionnelle induite par les demandes de tâches améliore considérablement la fiabilité de la réponse dans les zones visuelles. Ceci peut être réalisé en ajoutant une simple tâche de détection de cible49.

Nous avons utilisé un tel paradigme de localisation de champ visuel amélioré par l'attention pour cartographier un emplacement circonscrit dans chaque quadrant visuel à travers les zones visuelles précoces visant à définir des retours sur investissement adaptés à l'étude des processus cognitifs supérieurs. Nous avons choisi une méthode CBA utilisant une moyenne de groupe dynamique comme cerveau cible19. Ainsi, nous avons éliminé la confusion possible d'une cible CBA statique basée sur un cerveau individuel, dont le modèle de repliement cortical pourrait par hasard s'écarter considérablement de la moyenne du groupe.

Notre objectif principal était d'examiner les effets de l'ACB pour un paradigme de localisateur de champ visuel. Plus précisément, nous avons cherché à déterminer si l'alignement macroanatomique améliore la fiabilité des sous-régions de cartographie dans les zones visuelles rétinotopiquement organisées délimitées par un tel paradigme au niveau du groupe. À cette fin, en plus de l'analyse des ROI complètes d'un seul sujet, nous avons également examiné la correspondance des sommets de pic de ROI d'un seul sujet, c'est-à-dire des sommets uniques montrant le niveau d'activation le plus fort chez chaque sujet pour chaque quadrant visuel. Nous avons effectué cette analyse, car les sommets des pics sont une bonne approximation du centre d'un retour sur investissement et permettent ainsi une évaluation et une visualisation plus précises des effets de l'alignement macroanatomique. Sur la base des résultats antérieurs pour d'autres classes de paradigmes de localisation et de la correspondance structurelle-fonctionnelle relativement bonne dans le cortex occipital postérieur, nous nous attendions à observer un avantage de la CBA par rapport à la SBAV lors de l'alignement des sous-régions dans le cortex visuel précoce pour les ROI complètes et les sommets de pointe.

Notre deuxième objectif était d'examiner les effets du SBAV. Plus précisément, nous avons cherché à évaluer l'impact de la lecture et du prétraitement des données fonctionnelles en surface sans alignement macroanatomique. Ici, nous nous attendions à une amélioration générale du SNR pour SBAV par rapport à VBA et à une augmentation globale correspondante de la taille du retour sur investissement du groupe pour tous les quadrants visuels. Notamment, plusieurs études ont montré des propriétés de réponse différentielle telles que la taille du champ récepteur par quadrant visuel ou hémichamp pour les zones visuelles précoces homologues. Par exemple, des études antérieures ont rapporté des performances comportementales améliorées et des amplitudes de signal BOLD plus élevées dans l'hémichamp visuel inférieur50,51,52,53. Nous étions donc également intéressés, si nous pouvions observer des différences entre les hémichamps visuels supérieurs et inférieurs dans notre analyse de groupe après CBA.

Dans l'ensemble, l'objectif de l'étude était de combler une lacune importante dans l'évaluation de l'ACA pour l'étude du système visuel. Étant donné que les localisateurs de champ visuel sont cruciaux pour étudier les contributions du système visuel aux processus cognitifs d'ordre supérieur, nos résultats devraient avoir des implications pour l'étude de la cognition visuelle dans la recherche fondamentale et translationnelle en neurosciences.

La cartographie au niveau du groupe des quatre quadrants visuels a révélé des différences notables pour les trois techniques d'alignement (VBA, SBAV, CBA) (Fig. 1, Tableaux 1, 2). Pour le quadrant visuel inférieur droit, la taille du retour sur investissement a considérablement augmenté de VBA à SBAV, mais a diminué pour CBA (tableau 2). Pour le quadrant visuel inférieur gauche, la taille de la ROI a légèrement diminué de VBA à SBAV, mais a considérablement augmenté pour CBA. Pour le quadrant visuel supérieur gauche, la taille du retour sur investissement a considérablement augmenté de VBA à SBAV et a encore augmenté pour CBA. Pour le quadrant visuel supérieur droit, la taille du retour sur investissement a légèrement augmenté de VBA à SBAV et a augmenté considérablement pour CBA. Ainsi, deux des quatre ROI des quadrants visuels présentaient un modèle d'augmentation continue de la taille des grappes, reflétant une expansion de la sélectivité de position significative dans les techniques d'alignement. De plus, alors que la taille du retour sur investissement pour le quadrant visuel inférieur gauche a légèrement diminué de VBA à SBAV, la taille du retour sur investissement pour CBA était également de loin la plus grande. De plus, alors que la taille du retour sur investissement a diminué pour le quadrant visuel inférieur droit après CBA, pour SBAV, ce retour sur investissement a montré de loin la plus grande étendue de tout retour sur investissement pour toute technique d'alignement, même englobant les parties postérieures du cortex temporal.

Analyse de groupe des quadrants visuels. (a) Résultats VBA. Les cartes et les durées moyennes ont été calculées dans l'espace volumique ; les cartes ont été projetées sur la représentation de surface moyenne non alignée. (b) Résultats SBAV. Les cartes et les parcours temporels moyens ont été calculés dans l'espace de la surface ; les cartes ont été projetées sur la représentation de surface non alignée. (c) Résultats de l'ACA. Les cartes et les parcours temporels moyens ont été calculés dans l'espace de la surface ; les cartes ont été projetées sur la représentation de surface moyenne alignée. Dans l'ensemble, deux des quatre ROI des quadrants visuels présentaient un schéma d'augmentation continue de la taille des grappes, reflétant une étendue croissante de sélectivité de position significative entre les techniques d'alignement. De plus, alors que la taille du retour sur investissement pour le quadrant visuel inférieur gauche a légèrement diminué de VBA à SBAV, la taille du retour sur investissement pour CBA était également de loin la plus grande. Seul le retour sur investissement du quadrant visuel inférieur droit a montré une diminution de la taille des clusters après CBA. Les durées moyennes (y compris l'erreur standard de la moyenne) ont montré une sélectivité de position claire avec une forte augmentation du signal BOLD pour la position d'intérêt et aucune augmentation du signal BOLD pour les trois autres positions. Couleurs ROI/graphique : bleu clair = quadrant visuel inférieur droit (LR), orange = quadrant visuel inférieur gauche (LL), rouge = quadrant visuel supérieur gauche (UL), bleu foncé = quadrant visuel supérieur droit (UR).

Au sein des retours sur investissement du groupe, les évolutions temporelles moyennes ont montré une sélectivité de position claire, qui n'a pas été davantage affectée par la technique d'alignement, comme l'indiquent les résultats négatifs de nos modèles mixtes linéaires (tableau 3). Notamment, les indices d'asymétrie (AI) ont révélé une symétrie verticale nettement supérieure des ROI des hémichamps supérieur et inférieur pour VBA et CBA par rapport à SBAV (tableau 4). Après CBA, les tailles de retour sur investissement pour l'hémichamp visuel inférieur étaient considérablement plus grandes que pour l'hémichamp visuel supérieur (tableau 1).

Pour les trois ensembles de données, la probabilité maximale de chevauchement d'activation était systématiquement située au centre de chaque retour sur investissement, comme défini dans notre analyse de groupe précédente (Fig. 1, Tableaux 1, 5). Pour les données VBA, les cartes de probabilité (PM) ont montré une propagation relativement large de l'activation fonctionnelle autour des ROI de base (Fig. 2a, Tableau 5). La probabilité maximale de chevauchement d'activation était de 55 %. Pour les données SBAV, les MP ont montré une propagation encore plus large de l'activation fonctionnelle autour des principales ROI (Fig. 2b, Tableau 5). La probabilité maximale de chevauchement d'activation était de 66 %. Pour les données CBA, les PM ont montré une diminution notable de la propagation de l'activation fonctionnelle autour des ROI de base avec une augmentation correspondante de la probabilité maximale de chevauchement au centre des ROI de base (Fig. 2c, Tableau 5). La probabilité maximale de chevauchement d'activation était de 86 %.

Cartes de probabilité (PM). PM indiquant la probabilité de chevauchement d'activation entre les sujets pour chaque quadrant visuel. Le code de couleur gris à blanc indique la probabilité de chevauchement d'activation des cartes à sujet unique, seuillée à un minimum de 10 % de probabilité de chevauchement d'activation. Les cartes à sujet unique ont été seuillées à p < 0,05 (non corr.). Nous avons également appliqué un seuil au niveau du cluster de 100 sommets. ( a ) Les PM pour VBA ont montré une probabilité maximale de chevauchement d'activation allant jusqu'à 55%. (b) Les PM pour SBAV ont montré une probabilité maximale de chevauchement d'activation allant jusqu'à 66 %. ( c ) Les MP pour CBA ont montré une probabilité maximale de chevauchement d'activation allant jusqu'à 86%.

Les cartes de différence de probabilité (PDM) ont révélé un impact différentiel des éléments méthodologiques individuels de notre approche d'alignement macroanatomique.

Pour la lecture et le prétraitement des données fonctionnelles basées sur la surface pure par rapport à l'alignement standard basé sur le volume, le PDM correspondant (SBAV moins VBA) a montré une augmentation maximale de la probabilité de chevauchement d'activation de 30 % autour des ROI centrales. Inversement, à l'emplacement correspondant aux ROI du groupe central, nous avons principalement observé une diminution de la probabilité de chevauchement d'activation pouvant atteindre 19 % (Fig. 3a, Tableau 6). Notamment, les changements étaient répandus, s'étendant en partie dans le cortex temporal et pariétal postérieur. Pour l'ajout de l'alignement macroanatomique, le PDM correspondant (CBA moins SBAV) a montré une augmentation maximale de la probabilité de chevauchement d'activation de 44 % dans les ROI centrales (Fig. 3b, Tableau 6). À l'inverse, les régions occipitales plus périphériques ont montré une diminution maximale de la probabilité de chevauchement d'activation de 32 %. Dans l'ensemble, les changements étaient considérablement moins répandus que pour la comparaison SBAV moins VBA. Pour l'impact additif des deux éléments méthodologiques, le PDM correspondant (CBA moins VBA) a montré une augmentation maximale de la probabilité de chevauchement d'activation de 52 % dans les ROI centrales (Fig. 3c, Tableau 6). À l'inverse, les régions occipitales plus périphériques ainsi que le cortex temporal et pariétal postérieur ont montré une diminution maximale de la probabilité de chevauchement d'activation de 36 %. Dans l'ensemble, l'étendue spatiale de ces effets se situe entre celle des deux autres comparaisons.

Cartes de différence de probabilité (PDM). PDM indiquant l'impact différentiel des étapes individuelles de notre approche globale d'alignement macroanatomique pour chaque quadrant visuel. Les PDM ont été générés à l'aide de MP dérivés de cartes à sujet unique. Les PM n'étaient pas limités. Le code couleur indique la différence de chevauchement d'activation. Le code de couleur marron à blanc indique un degré plus élevé de chevauchement d'activation fonctionnelle pour la méthode d'alignement plus avancée. Le code de couleur bleu à vert indique un degré plus élevé de chevauchement d'activation fonctionnelle pour la méthode d'alignement moins avancée. Les PDM ont été seuillés à une différence de probabilité minimale de 5 %. (a) L'impact de la lecture et du prétraitement des données fonctionnelles basées sur la surface par rapport à l'alignement standard basé sur le volume (SBAV moins VBA) a été caractérisé par une activation généralisée avec une augmentation de la probabilité de chevauchement d'activation jusqu'à 30 % autour des ROI centrales et une diminution de la probabilité de chevauchement d'activation jusqu'à 19 % à l'emplacement correspondant aux ROI centrales. (b) L'impact supplémentaire de l'alignement macroanatomique (CBA moins SBAV) était moins répandu mais caractérisé par une augmentation de la probabilité de chevauchement d'activation jusqu'à 44 % à l'emplacement des ROI centrales et une diminution de la probabilité de chevauchement d'activation jusqu'à 32 % autour des ROI centrales. (c) L'impact additif des deux éléments méthodologiques (CBA moins VBA) a été caractérisé par une augmentation de la probabilité de chevauchement d'activation jusqu'à 52 % à l'emplacement des ROI centrales et une diminution de la probabilité de chevauchement d'activation jusqu'à 36 % autour des ROI centrales.

Les taux de réussite pour la détection des ROI sujet-sujet étaient les suivants : quadrant visuel inférieur droit 98 % (49 sujets sur 50), quadrant visuel inférieur gauche 94 % (47 sujets sur 50), quadrant visuel supérieur gauche 98 % (49 sujets sur 50), quadrant visuel supérieur droit 90 % (45 sujets sur 50). Reflétant les MP au niveau du groupe, les cartes de distribution des sommets de pic au niveau d'un seul sujet (Fig. 4) ont montré une variabilité spatiale réduite pour la CBA par rapport à la SBAV. De plus, pour CBA par rapport à SBAV, nous avons observé une augmentation du nombre de sommets de pic ROI à sujet unique qui se chevauchent par sommet pour chaque quadrant visuel (tableau 7).

Cartes de distribution des sommets de pic à sujet unique pour les ensembles de données SBAV et CBA. Nous avons cartographié les sommets de pic d'un seul sujet pour chaque quadrant visuel dans l'espace de surface pour les données SBAV et CBA. Nous avons ensuite calculé le nombre de sommets par sommet de sommets à sujet unique. Le code de couleur indique le nombre de sommets de pic à sujet unique qui se chevauchent par sommet. Nous avons observé une augmentation du nombre de sommets de pic ROI à sujet unique qui se chevauchent par sommet après alignement macroanatomique (CBA). Le nombre de sommets de pic d'un seul sujet par sommet occipital pour chaque quadrant visuel avant et après l'alignement macroanatomique (SBAV et CBA) variait entre 1 et 5. Ainsi, un nombre plus élevé indique une meilleure précision d'alignement des sommets de pic de ROI d'un seul sujet. Quadrant visuel inférieur droit LR, quadrant visuel inférieur gauche LL, quadrant visuel supérieur gauche UL, quadrant visuel supérieur droit UR.

Le but de notre étude était d'évaluer l'utilité de l'ACB pour un paradigme de localisation de champ visuel amélioré par l'attention utilisé pour cartographier des régions circonscrites dans des zones visuelles organisées de manière rétinotopique. Notre paradigme a cartographié de manière fiable les régions homologues dans chaque quadrant visuel dans les premières zones visuelles. Comme attendu, la CBA a entraîné une réduction marquée de la variabilité macroanatomique avec un certain nombre d'effets bénéfiques sur le plan fonctionnel, nettement supérieurs à ceux observés pour la SBAV. Par rapport à VBA et SBAV, CBA a entraîné les améliorations les plus cohérentes dans l'analyse du retour sur investissement du groupe dans les quadrants visuels (Fig. 1).

Pour SBAV par rapport à VBA, nous avons observé une augmentation de la taille du retour sur investissement du groupe dans trois des quatre quadrants visuels (Fig. 1, Tableaux 1, 2). Pour CBA par rapport à VBA, nous avons observé une augmentation de la taille du retour sur investissement du groupe dans les quatre quadrants visuels. Pour CBA par rapport à SBAV, nous avons observé une augmentation de la taille du retour sur investissement du groupe dans trois des quatre quadrants visuels.

Ces résultats indiquent une puissance améliorée de CBA pour détecter les sous-régions des zones visuelles précoces, qui montrent une sélectivité de position. À l'inverse, nous n'avons pas observé d'augmentation de la sélectivité de position dans les ROI des quadrants visuels correspondants à travers les techniques d'alignement dans notre analyse de modèle mixte linéaire (tableau 3). Cependant, l'ACA était la seule approche conduisant à la fois à une augmentation de la taille du retour sur investissement et à la préservation non seulement de la symétrie verticale mais aussi de la symétrie horizontale (tableau 4).

En ce qui concerne les changements dans la probabilité de chevauchement d'activation entre les trois techniques d'alignement reflétées par les PM, une tendance claire a émergé. La probabilité de chevauchement d'activation a augmenté progressivement à chaque étape, culminant pour CBA avec une valeur maximale de 86 %. Pour SBAV, les effets étaient plus faibles et considérablement plus répandus, affectant principalement des régions cérébrales plus périphériques. De même, pour la comparaison des CBA et SBAV, les PDM ont montré une augmentation de la probabilité de chevauchement d'activation avec un maximum de 44 % aux emplacements centraux correspondant aux ROI du groupe. Cela a entraîné des modèles d'activation considérablement plus ciblés, tandis que l'effet inverse est apparu à des sommets plus périphériques (Fig. 3). Cela n'est probablement pas attribuable à une diminution du chevauchement spatial à la périphérie des zones visuelles précoces. Cela indique plutôt que la CBA réduit systématiquement l'activation étalée parasite résultant d'une mauvaise correspondance macroanatomique après VBA et d'une augmentation généralisée du SNR due à SBAV. Cela suggère également que VBA et SBAV pourraient déformer l'emplacement et l'étendue des zones visuelles précoces. Cette notion est étayée par les changements du centre de gravité des ROI de groupe entre SBAV et CBA, qui étaient particulièrement prononcés pour le quadrant visuel inférieur gauche (tableau 1). Ensemble, ces résultats indiquent que l'ACA augmente considérablement la puissance statistique lors de l'étude des aires visuelles précoces au niveau du groupe. Naturellement, cet effet de l'ACB devrait également s'étendre à des études plus globales, telles que les analyses de connectivité35,54.

De plus, les avantages spécifiques de la CBA étaient évidents dans la variabilité nettement réduite des emplacements des sommets des pics de retour sur investissement pour chaque quadrant visuel par rapport à la SBAV (Fig. 4, Tableau 7). Cela indique une réduction de la variabilité inter-sujets macroanatomique et fonctionnelle obtenue par l'ABC comme principale raison de l'amélioration des résultats au niveau du groupe. Nos résultats confirment que la transformation des données fonctionnelles de l'espace volume en espace surface augmente déjà la puissance statistique en réduisant la contamination du signal par les tissus non neuronaux, améliorant ainsi le SNR. Par conséquent, l'utilisation de SBAV comme indicateur de VBA sous-estimerait les avantages réels de l'ACB. Nos résultats indiquent que seule l'approche CBA bénéficie à la fois d'un SNR amélioré et d'une variabilité macroanatomique réduite. Ainsi, nos données soutiennent l'idée que parmi les méthodes évaluées, l'ACB est la technique d'alignement la plus avantageuse pour étudier le système visuel. Une telle interprétation est également étayée par le fait que seule la CBA, mais pas la SBAV, pouvait préserver la symétrie verticale des ROI de groupe caractéristique des premières aires visuelles, ce qui était déjà évident pour la VBA (tableau 4). Cet écart est très probablement attribuable à l'augmentation non spécifique du SNR induite par le SBAV, qui, en combinaison avec son alignement macroanatomique intrinsèquement médiocre, n'entraîne pas une amélioration constante du chevauchement fonctionnel pour tous les quadrants visuels.

Pour VBA, nous avons observé les ROI de groupe les plus importants pour les quadrants visuels inférieurs droit et gauche, un effet qui a changé après SBAV et CBA (Fig. 1a, Tableau 1). Pour SBAV, nous avons observé les plus grandes ROI de groupe pour les quadrants visuels supérieur gauche et inférieur droit, qui n'ont pas persisté après CBA (Fig. 1b, c, Tableau 1). Notamment, plusieurs études ont rapporté des effets latéralisés sur les paramètres neurophysiologiques dans les zones visuelles précoces55,56. Notre observation soulève la question de savoir si ces résultats pourraient au moins en partie être expliqués par des différences latéralisées dans la variabilité macro-anatomique plutôt que par de véritables différences fonctionnelles.

Inversement, notre analyse de groupe assistée par CBA nous a permis de comparer les propriétés de réponse de chaque quadrant visuel d'une manière plus impartiale. Nous avons observé des ROI de groupe plus importants pour l'hémichamp visuel inférieur. Dans un atlas probabiliste du système visuel basé sur l'ACB, qui comprenait toutes les régions pouvant être définies chez plus de 50 % des sujets, les ROI probabilistes pour les V1 et V2 dorsaux étaient également sensiblement plus importantes que les ROI probabilistes pour les V1 et V2 ventraux, alors que cet effet était moins clair pour V343. Ces résultats sont conformes à nos propres découvertes et pourraient être attribuables à une variabilité anatomique résiduelle plus élevée après CBA dans le cortex occipital ventral représentant l'hémichamp visuel supérieur. Alternativement, ils pourraient être dus à de vraies différences dans les propriétés de réponse telles que la taille du champ réceptif ou la taille globale de la zone. Cette dernière interprétation est étayée par des études montrant des différences fonctionnelles entre les hémichamps visuels supérieur et inférieur déjà au niveau rétinien sous la forme de différences de densités de récepteurs 57,58. La densité des cônes était plus élevée dans les parties supérieures de la rétine, qui traite les informations des champs visuels inférieurs. A l'inverse, une densité de bâtonnets plus élevée a été observée dans les parties inférieures. De plus, Eickhoff et al. ont rapporté des asymétries dorso-ventrales dans les densités de récepteurs dans V2 et V357 et une densité plus élevée de récepteurs GABA-A et muscariniques M3 dans les parties ventrales de V2 et V3. En outre, il existe des preuves de différences fondamentales dans la forme du champ récepteur à partir de la cartographie pRF59. En estimant à la fois les rapports d'aspect et la taille des zones cartographiées, une forme de champ récepteur plus elliptique a été observée pour l'hémichamp visuel supérieur représenté par les parties ventrales du cortex visuel par rapport à l'hémichamp visuel inférieur représenté par les parties dorsales du cortex visuel. De plus, il existe des preuves d'un avantage comportemental dans l'hémichamp visuel inférieur pour la discrimination des formes ainsi que des changements de signal BOLD plus élevés et des amplitudes maximales des réponses MEG/EEG50,52,53,60,61. Ensemble, ces résultats démontrent des différences claires dans l'architecture fonctionnelle des zones visuelles précoces représentant respectivement l'hémichamp visuel supérieur et inférieur. Cela a été attribué au fait que l'hémichamp visuel inférieur représenté par les parties dorsales du lobe occipital est plus étroitement lié à la voie visuelle dorsale, tandis que l'hémichamp visuel supérieur représenté par les parties ventrales du lobe occipital est plus étroitement lié à la voie visuelle ventrale62,63. En outre, il existe des preuves de différences fondamentales dans la forme du champ récepteur à partir de la cartographie pRF59. Ici, pour l'hémichamp visuel supérieur représenté par les parties ventrales du cortex visuel, une taille accrue et une forme plus elliptique des champs récepteurs ont été observées par rapport à l'hémichamp visuel inférieur représenté par les parties dorsales du cortex visuel. Cela implique que le champ visuel inférieur est plus spécialisé pour la localisation précise et la représentation de l'espace. Notre observation de retours sur investissement plus importants dans l'hémichamp visuel inférieur est conforme à ces résultats. Par conséquent, nos résultats impliquent que l'ACA est un outil approprié pour étendre l'étude des asymétries fonctionnelles et comportementales dans les zones visuelles précoces au niveau du groupe.

Une limitation importante de l'étude actuelle est le manque de données complémentaires de cartographie rétinotopique en raison de contraintes de temps. Ces données nous auraient permis de délimiter les limites des zones visuelles précoces et d'identifier la zone visuelle exacte contenant chaque retour sur investissement individuel. Les études de cartographie rétinotopique indiquent que le pic d'activation de sujets uniques provoqué par des localisateurs visuels n'est pas toujours situé dans la même zone visuelle. La plupart des paradigmes de localisation montrent une activation maximale non pas en V1 mais plutôt en V2 ou V312. Il est donc fort probable que notre pic d'activation chez un seul sujet n'appartienne pas systématiquement à la même aire corticale visuelle. Avec l'ensemble de données actuel, nous ne pouvons pas déterminer avec quelle précision les zones visuelles individuelles ont été alignées avec la CBA, et si les niveaux individuels de la hiérarchie corticale visuelle ont été affectés de manière différentielle. Cependant, la position des ROI de notre groupe, qui bordaient le sillon calcarin et s'étendait sur le pôle occipital, indique qu'elles comprenaient principalement V2 et V3. De même, après CBA, nous avons observé une augmentation comparable de la probabilité de chevauchement dans la même partie du cortex occipital. Bien que cela suggère au moins un avantage relativement constant de la CBA dans les zones visuelles, des études plus fines, y compris la cartographie rétinotopique, sont nécessaires pour résoudre ce problème de manière plus définitive.

De plus, nous n'avons pas utilisé le suivi oculaire pour assurer une fixation suffisante. Nous n'avons pas non plus inclus de tâche de contrôle attentionnel supplémentaire centrée sur la croix de fixation, ce qui aurait davantage encouragé la fixation continue. Cette omission était délibérée afin de maintenir le niveau de difficulté adéquat pour les populations de patients psychiatriques. Notre taux de réussite moyen pour trouver une activation fiable dans les zones visuelles précoces dans les quatre quadrants visuels était de 95 (90–98) %. Une fixation insuffisante pourrait expliquer en partie notre incapacité à trouver une activation fiable chez une petite fraction de sujets.

Enfin, plusieurs propriétés de l'ensemble de données VBA différaient des ensembles de données SBAV et CBA. Nous n'avons pas pu faire correspondre complètement les paramètres de prétraitement basés sur le volume et basés sur la surface en raison des différences inhérentes entre les algorithmes de lissage spatial tridimensionnel et bidimensionnel utilisés. Il est important de noter que le nombre de voxels et de sommets contenant des données fonctionnelles n'était pas identique, affectant différemment la correction de Bonferroni des résultats de groupe. L'espace d'analyse plus petit de l'ensemble de données VBA - 69% de la taille de l'ensemble de données SBAV et CBA - conduit à un seuil statistique final correspondant moins strict corrigé de Bonferroni pour VBA. En raison de ce biais en faveur de l'ensemble de données VBA, les effets bénéfiques des étapes de traitement supplémentaires présentées dans les ensembles de données SBAV et CBA doivent être sous-estimés. Le fait que nous ayons pu démontrer les avantages de l'ACA malgré un seuil statistique défavorable pour confirmer cette hypothèse principale souligne la supériorité de cette technique d'alignement.

Notre étude a également des implications au-delà de la cartographie du système visuel dans des populations en bonne santé. Les déficits de traitement visuel sont une caractéristique importante des troubles psychiatriques neurodéveloppementaux tels que le TDAH, la schizophrénie et les troubles du spectre autistique7,8,64,65,66,67,68,69,70,71, qui peuvent également perturber des processus cognitifs cruciaux d'ordre supérieur, notamment la mémoire de travail72,73,74. Le paradigme actuel du localisateur sera utile pour étudier les déficiences locales du traitement de l'information visuelle ainsi que les perturbations dans l'interaction entre les zones visuelles précoces et les réseaux cérébraux soutenant les processus cognitifs d'ordre supérieur. Ici, l'ACB sera particulièrement pertinente pour réduire les effets confondants d'une variabilité macroanatomique accrue dans des troubles tels que la schizophrénie afin de mesurer les véritables différences de groupe et la véritable variabilité fonctionnelle37,75. D'autre part, l'ACB pourrait également être cruciale pour étudier les fondements neurodéveloppementaux de la variabilité macroanatomique accrue elle-même. À cette fin, l'inclusion d'atlas probabilistes contenant des informations sur les profils d'expression génique76 ainsi que sur l'architecture des cyto et des récepteurs77,78 sera précieuse.

Notre approche CBA reposait uniquement sur les informations de courbure corticale pour réduire la variabilité macroanatomique. L'un des principaux avantages de cette méthode est sa faisabilité pour la grande majorité des ensembles de données IRMf, car elle ne nécessite qu'un scanner cérébral structurel de qualité et de résolution suffisantes. Parmi les méthodes comparables, l'ACA est l'approche la plus objective et la plus axée sur les données. Cependant, la réduction réalisable de la variabilité macroanatomique est limitée par la corrélation variable et imparfaite entre la structure cérébrale et la fonction cérébrale34,39. Par conséquent, des méthodes plus avancées utilisent en outre des données fonctionnelles orthogonales pour réduire davantage la variabilité anatomique, y compris l'utilisation de modèles d'activation ou de connectivité fonctionnelle pour améliorer l'alignement macroanatomique dans l'ensemble du cerveau20,79,80. De plus, une approche plus complexe a été proposée, qui aligne les données corticales à l'aide de «caractéristiques surfaciques» plus étroitement liées aux zones corticales que les modèles de repliement corticaux, y compris des cartes du contenu relatif en myéline et des réseaux fonctionnels d'état de repos81. Ces méthodes se sont avérées fournir une réduction supplémentaire pertinente de la variabilité macroanatomique pour une variété de paradigmes, y compris les localisateurs fonctionnels visuels. Les études futures devraient également évaluer ces méthodes pour la cartographie rétinotopique et les localisateurs de champ visuel. De plus, il a été démontré pour les zones auditives précoces que l'utilisation supplémentaire d'un atlas probabiliste de zones définies par la cytoarchitectonie améliore encore les résultats standard de l'ACB82. En principe, une telle approche devrait être facilement réalisable pour le système visuel.

Pour résumer, nous avons démontré des avantages évidents de la CBA par rapport à la VBA pour l'analyse des données du localisateur de champ visuel au niveau du groupe, ce qui se traduit par une réduction considérable de la variabilité spatiale entre les sujets dans les zones visuelles précoces. Nos résultats prolongent les études CBA précédentes évaluant d'autres grandes catégories de techniques de cartographie visuelle. Ils soulignent la perte d'information et de puissance statistique induite par l'utilisation des méthodes VBA dans la majorité des études IRMf. Par conséquent, l'ACB et les méthodes comparables doivent être sérieusement considérées comme une procédure standard pour l'étude détaillée du traitement de l'information visuelle et de sa perturbation dans les troubles neuropsychiatriques.

Tous les participants ont donné leur consentement éclairé écrit pour participer à l'étude conformément au protocole d'étude approuvé par le comité d'éthique de la Faculté de médecine de l'Université Goethe. Nous avons mené toutes les procédures expérimentales conformément aux directives approuvées et à la Déclaration d'Helsinki. Les individus ont reçu une compensation pour leur participation. Nous avons recruté 51 volontaires sains (femme:homme = 28:23) âgés de 18 à 43 ans (moyenne = 24). Tous les participants étaient non-fumeurs, n'avaient aucun antécédent de maladie neurologique ou psychiatrique et ont déclaré une acuité visuelle normale ou corrigée à la normale. Un participant était gaucher selon la version allemande de l'Edinburgh Handedness Inventory83.

Les sujets ont exécuté un paradigme de localisation du champ visuel amélioré par l'attention (Fig. 5a) mis en œuvre à l'aide de Presentation (Systèmes Neurobehavioraux, Version 18.0) dans le cadre d'une étude plus vaste portant sur le rôle des zones visuelles pour les fonctions cognitives supérieures. La tâche consistait en une série de stimuli scintillants en forme de damier de couleur noire et blanche (fréquence de scintillement = 7,5 Hz). Des stimuli en damier sont apparus au hasard pendant 2000 ms à l'un des quatre emplacements différents (essai standard). Chaque emplacement a cartographié une position homologue dans l'un des quatre quadrants visuels. L'intervalle régulier entre les essais (ITI) était de 0 ms. Cependant, une fois tous les 10 à 14 essais (11 fois au total), l'ITI a augmenté à 2000 ms (ITI prolongé) (Fig. 5b). Notre paradigme comportait une simple tâche de détection de cible. Au cours de 36 essais, les deux carrés situés au centre du damier ont changé de couleur en jaune pendant 133 ms (essai cible). Les participants devaient appuyer sur un bouton de boîte de réponse avec leur pouce gauche aussi rapidement que possible s'ils détectaient une cible. Le paradigme consistait en un total de 144 essais : 36 essais cibles, 108 essais standard, tous deux également répartis sur les quatre sites (Fig. 5b). Cette probabilité cible de 25 % a entraîné un essai cible tous les quatre essais en moyenne (gamme de 3 à 5 essais) (Fig. 5b). Tout au long de la tâche, une croix de fixation noire en forme de X était affichée au centre de l'écran. Les participants ont été invités à fixer en permanence sur la croix de fixation. Avant le premier essai, seule la croix de fixation était affichée pendant 10 s. Après le dernier essai, seule la croix de fixation était affichée pendant 20 s. La durée totale du paradigme était de 340 s (Fig. 5b). Aux fins de nos analyses, nous avons défini un total de quatre conditions, une pour chacun des quatre emplacements de stimulus. Chaque participant a pratiqué la tâche avant la mesure.

Paradigme du localisateur de champ visuel. (a) Le paradigme consistait en des damiers scintillants de couleur noir et blanc qui apparaissaient au hasard à des positions homologues du quadrant visuel du participant. Dans 25 % des essais, les deux carrés situés au centre ont changé de couleur en jaune pendant 133 ms. Les participants devaient appuyer sur un bouton de boîte de réponse lorsqu'ils remarquaient cela. Les participants ont été invités à fixer en continu une croix de fixation noire en forme de X présentée au centre de l'écran. Des damiers sont apparus pendant 2000 ms. L'intervalle régulier entre les essais (ITI) était de 0 ms. (b) Tous les 10 à 14 essais, l'ITI étendu à 2000 ms. La tâche comprenait 144 essais (25 % d'essais cibles). Elle était précédée et suivie d'une présentation de la croix de fixation pendant 10 s.

Nous avons acquis des données IRM fonctionnelles sur un scanner Siemens 3T MAGNETOM Trio au Centre d'imagerie cérébrale de l'Université de Goethe à l'aide d'une séquence EPI 2D à écho de gradient (32 coupes axiales, TR = 2000 ms, TE = 30 ms, FA = 90°, FoV = 192 × 192 mm2, taille de voxel = 3 × 3 × 3 mm3, écart = 1 mm, épaisseur de coupe effective = 4 mm). Les coupes étaient positionnées parallèlement aux commissures antérieure et postérieure. Les images fonctionnelles ont été acquises en un seul passage comprenant l'acquisition de 170 volumes. Immédiatement avant chaque cycle fonctionnel, 6 volumes de cette séquence EPI 2D ont été acquis avec des paramètres identiques à l'exception d'un changement de sens de codage de phase (postérieur à antérieur au lieu d'antérieur à postérieur) pour la correction de la distorsion EPI. Les données IRM anatomiques pour la reconstruction du cortex et le co-enregistrement avec les données IRM fonctionnelles ont été acquises avec un volume 3D pondéré en T1 haute résolution à l'aide d'une séquence MP-RAGE (Magnetization-Prepared Rapid Gradient-Echo) (192 coupes sagittales, TR = 1900 ms, TE = 3,04 ms, TI 900 ms, FA = 9°, FoV = 256 × 256 mm2, vox el taille = 1 × 1 × 1 mm3). La présentation du stimulus était constamment synchronisée avec la séquence IRMf. Le mouvement de la tête a été minimisé avec des oreillers. La tâche était projetée par un projecteur sur un miroir fixé sur la bobine de tête. Les données IRM ont été prétraitées et analysées à l'aide de BrainVoyager 20.684, de la boîte à outils NeuroElf Matlab (www.neuroelf.net) et d'un logiciel personnalisé écrit en Matlab. Un sujet a dû être exclu en raison d'un mouvement intra-scan excessif.

Le prétraitement des données structurelles comprenait le nettoyage de l'arrière-plan, l'extraction du cerveau et la correction du champ de biais pour minimiser les inhomogénéités d'intensité de l'image84. La correction du champ de biais a utilisé une approche "d'ajustement de surface" utilisant une décomposition en valeurs singulières basée sur des polynômes d'ordre inférieur des moindres carrés (Legendre) pour modéliser les variations de basse fréquence dans l'espace d'image 3D85. Nous avons utilisé des polynômes d'ordre trois, que nous avons ajustés à un sous-ensemble de voxels étiquetés comme appartenant à la matière blanche. Les paramètres estimés des polynômes ont été utilisés pour construire un champ de biais, qui a été supprimé des données. Notre approche comprenait une itération utilisant l'étiquetage automatique de la matière blanche86 et quatre itérations utilisant l'étiquetage manuel de la matière blanche.

Par la suite, les données structurelles ont été transformées dans l'espace de coordonnées de Talairach29. Cela comprenait un étiquetage manuel de la commissure antérieure (AC) et de la commissure postérieure (PC) ainsi que des bords du cerveau. Ces points de repère ont ensuite été utilisés pour faire tourner chaque cerveau dans le plan AC-PC, suivis de transformations linéaires par morceaux pour adapter chaque cerveau au système commun de "grille proportionnelle" de Talairach19. La transformation dans l'espace de coordonnées de Talairach a été effectuée parce que la procédure de segmentation automatique ultérieure exploite les connaissances anatomiques pour la segmentation cérébrale initiale, y compris l'élimination des structures sous-corticales et la déconnexion des hémisphères corticaux 87. Pour préparer les données pour cette procédure, nous avons effectué un remplissage manuel des ventricules latéraux. Sur la base de la segmentation automatique des scans structurels le long de la frontière entre la matière blanche et la matière grise87, les hémisphères corticaux ont été reconstruits en représentations de maillage pliées et topologiquement correctes, qui ont été tessellées pour produire des reconstructions de surface et calculer des cartes de courbure reflétant les modèles de pliage corticaux individuels. Les reconstructions de surface ont ensuite été transformées en représentations sphériques corrigées de la distorsion. Enfin, les représentations de mailles pliées et sphériques ont été sous-échantillonnées à un nombre standard de sommets (40 962 sommets par hémisphère, distance moyenne des sommets : 1,5 mm). Nous avons utilisé ces représentations de maillage standardisées pour toutes les étapes de traitement basées sur la surface.

Nous avons ensuite appliqué une procédure d'alignement basée sur le cortex à haute résolution et à plusieurs échelles basée sur les cartes de courbure individuelles des 50 participants pour chaque hémisphère séparément. Cette approche CBA, qui aligne de manière fiable les gyri et sulci correspondants entre les sujets84, consiste en une étape initiale d'alignement rigide et une étape ultérieure d'alignement non rigide19 (Fig. 6a, b). Au cours de l'étape initiale, les modèles de pliage cortical de chaque sphère sont alignés de manière rigide sur le modèle de pliage cortical d'une seule sphère cible par rotation globale. Rigid CBA fonctionne uniquement sur des cartes de courbure hautement lissées contenant uniquement les repères anatomiques les plus importants. Nous avons utilisé les paramètres de rotation avec le plus haut degré de chevauchement entre la courbure de chaque sphère individuelle et la sphère cible comme point de départ pour la CBA non rigide ultérieure.

Approche ACA entièrement basée sur les données. L'ACA consistait en un alignement rigide sur un cerveau cible unique et un alignement non linéaire sur un cerveau moyen de groupe mis à jour de manière itérative. (a) Nous avons effectué une CBA initiale uniquement pour générer un cerveau cible moyen impartial pour la CBA finale. Nous avons utilisé un cerveau sélectionné au hasard parmi tous les participants pour l'ACA rigide initiale. (b) Pour la CBA finale, nous avons utilisé le cerveau cible moyen impartial créé lors de la CBA initiale pour la CBA rigide. (c) Nous avons généré des représentations de surface moyennes avant et après l'alignement macroanatomique pour chaque hémisphère, que nous avons ensuite fusionnées, gonflées et utilisées pour l'analyse et la visualisation des ensembles de données appropriés. La rangée supérieure représente les représentations de mailles sphériques, pliées et gonflées moyennes du groupe avant l'application de l'ACB. La rangée inférieure représente les représentations de mailles sphériques, pliées et gonflées moyennes du groupe après l'application de la CBA.

La CBA non rigide utilise une stratégie de correspondance grossière à fine, qui fonctionne séquentiellement à quatre niveaux de lissage de courbure, en commençant par le niveau de détail utilisé pendant la CBA rigide. Chaque niveau suivant comprend des détails anatomiques de plus en plus fins jusqu'à presque toutes les informations de courbure. Il est important de noter que la CBA non rigide aligne chaque modèle de pliage cortical sur une moyenne de groupe mise à jour dynamiquement par morphing itératif. Cette approche de cible mobile, qui génère la carte de courbure cible à partir de la courbure moyenne sur tous les hémisphères à un stade d'alignement donné, évite les effets de confusion possibles d'une sélection sous-optimale d'un cerveau cible individuel, dont le modèle de pliage pourrait s'écarter considérablement de la moyenne de la cohorte.

Notamment, l'ACB rigide utilise généralement un seul cerveau tiré au hasard de la cohorte complète comme cerveau cible. Cependant, le modèle de pliage de ce cerveau pourrait également s'écarter considérablement de la moyenne de la cohorte. Pour répondre également à cette confusion potentielle, nous avons d'abord effectué une CBA préliminaire englobant à la fois l'alignement macroanatomique rigide et non rigide (Fig. 6a). Nous avons ensuite effectué une deuxième ACA finale. Ici, nous avons utilisé le cerveau moyen aligné dérivé de l'ACA préliminaire comme cible impartiale pour l'étape d'alignement rigide (Fig. 6b). Après la CBA finale non rigide, nous avons fusionné les deux hémisphères de chaque cerveau individuel pour créer un espace d'analyse global basé sur la surface.

De plus, pour chaque hémisphère, nous avons créé des représentations de surface moyennes à partir des représentations originales de maillage plié non aligné, que nous avons ensuite fusionnées, gonflées et utilisées pour l'analyse et la visualisation des données. Nous avons répété ces étapes après avoir appliqué la matrice de transformation du CBA rigide et non rigide final aux représentations de maillage plié, donnant une représentation précise des effets structurels de l'alignement macroanatomique (Fig. 6c).

Les quatre premiers volumes de chaque cycle fonctionnel ont été jetés pour permettre l'équilibrage de T1. Le prétraitement initial basé sur le volume des données IRM fonctionnelles comprenait une correction de la synchronisation des tranches à l'aide de l'interpolation sinc et une correction du mouvement 3D à l'aide de l'interpolation sinc. Ensuite, nous avons effectué une correction de la distorsion de l'imagerie écho-planaire à l'aide de la méthode de correction basée sur le codage de phase opposée88,89. Les données fonctionnelles corrigées de la distorsion EPI ont été co-enregistrées dans les cerveaux extraits non transformés. Ceci a été accompli en utilisant un algorithme d'enregistrement basé sur les limites optimisé pour les analyses basées sur la surface90. Après co-enregistrement aux données structurelles entièrement nettoyées mais non transformées, les données fonctionnelles ont été transformées dans l'espace de coordonnées de Talairach en appliquant la matrice de transformation générée lors de la transformation de Talairach des données structurelles à l'aide de l'interpolation sinc. Cette transformation a conservé la taille de voxel d'origine des données fonctionnelles (3 × 3 × 3 mm3) (Fig. 7).

Séquences de prétraitement des données fonctionnelles, coregistration des données structurelles et fonctionnelles et opérations de transformation spatiale utilisées pour générer les trois jeux de données fonctionnelles utilisés dans notre étude : VBA, SBAV et CBA. Pour VBA, nous avons effectué toutes les opérations de prétraitement des données dans l'espace volumique, y compris la correction du temps de balayage des tranches, la correction du mouvement 3D, la correction de la distorsion de l'imagerie écho-planaire, le lissage spatial 3D et la suppression des tendances linéaires avec filtrage passe-haut temporel. Enfin, les données fonctionnelles ont été co-enregistrées avec les données structurelles et transformées dans l'espace de Talairach. Pour SBAV et CBA, nous avons effectué toutes les opérations de pré-traitement des données jusqu'à la correction de la distorsion de l'imagerie écho-planaire dans l'espace volumique. Ici, le co-enregistrement des données fonctionnelles aux données structurelles et la transformation dans l'espace de Talairach ont été suivies d'une transformation dans l'espace de surface. Nous avons ensuite effectué un lissage spatial 2D et une suppression de tendance linéaire avec un filtrage passe-haut temporel dans l'espace de surface. Pour la CBA uniquement, nous avons ensuite appliqué l'alignement macroanatomique.

Les données fonctionnelles volumétriques ont ensuite été transformées en espace de surface par échantillonnage sur les reconstructions de surface corticale individuelles incorporant des données de - 1 à + 3 mm le long des normales des sommets en utilisant une interpolation trilinéaire. Le prétraitement ultérieur des données IRMf dans l'espace de surface a commencé par un lissage spatial à l'aide d'une interpolation du plus proche voisin (1 itération). Sur la base de la distance de sommet standardisée de 1,5 mm, cela se rapproche d'un noyau de lissage gaussien 2D avec une pleine largeur à mi-hauteur (FWHM) de 3 mm. Nous avons opté pour un lissage spatial minimal afin d'éviter une perte de précision pour notre localisateur de champ visuel. Le lissage spatial a été suivi d'une suppression de tendance linéaire et d'un filtrage passe-haut temporel à l'aide d'une transformation de Fourier rapide (passe-haut 0,00903 Hz). Sur la base du référencement sommet à sommet des reconstructions de surface pliées et topologiquement correctes aux représentations sphériques, nous avons cartographié les données fonctionnelles entièrement prétraitées dans un système de coordonnées sphérique commun (Fig. 7). Enfin, nous avons appliqué des masques anatomiques basés sur la surface qui n'incluaient que des sommets corticaux dans notre analyse aux données fonctionnelles. Ces masques excluaient les structures sous-corticales, qui correspondaient à la ligne médiane de nos reconstructions de surface, c'est-à-dire des parties du thalamus et des ganglions de la base. Pour l'analyse des données fonctionnelles et la correction de Bonferroni ultérieure dans l'espace de surface, cela a donné un nombre total de 76 132 sommets.

Pour générer un ensemble de données purement volumétriques pour la comparaison de VBA et SBAV, le prétraitement après correction de la distorsion EPI a également été effectué dans l'espace volumique reflétant aussi étroitement que possible les étapes et les paramètres décrits ci-dessus pour le prétraitement basé sur la surface. Tout d'abord, nous avons appliqué un lissage spatial à l'aide d'un noyau de lissage gaussien 3D avec un FWHM de 3 mm, qui se rapproche du degré de lissage spatial basé sur la surface. Deuxièmement, nous avons appliqué une suppression de tendance linéaire et un filtrage passe-haut temporel à l'aide d'une transformation de Fourier rapide (passe-haut à 0, 00903 Hz) en utilisant des paramètres correspondant exactement au prétraitement basé sur la surface (Fig. 7). Cet ensemble de données n'a pas été transformé en espace de surface et n'a pas inclus de masque anatomique. Pour l'analyse des données fonctionnelles et la correction de Bonferroni ultérieure dans l'espace volumique, cela a donné un nombre total de 52 504 voxels. Ainsi, l'espace d'analyse pour VBA était de 69 % de la taille de l'espace d'analyse pour SBAV et CBA (52 504 voxels contre 76 132 sommets). Cette différence conduit à un seuil statistique corrigé de Bonferroni moins strict pour VBA (p = 0,00000095) par rapport à SBAV et CBA (p = 0,00000066). Notamment, nous n'avons pas corrigé cette différence, même si cela augmentait la difficulté de confirmer la supériorité hypothétique de l'ACB par rapport à l'ABV au niveau du groupe.

Dans l'ensemble, nous avons généré trois ensembles de données fonctionnels différents : un ensemble de données basé sur le volume, qui a été entièrement prétraité et aligné dans l'espace volume (VBA) ; un jeu de données basé sur la surface, pour lequel les dernières étapes de pré-traitement - lissage spatial et filtrage temporel - n'ont été appliquées qu'après transformation dans l'espace surfacique, mais sans alignement macroanatomique (SBAV) ; et un ensemble de données basé sur la surface, qui a été prétraité exactement de la même manière que l'ensemble de données SBAV et a également utilisé l'alignement macroanatomique (CBA) (Fig. 7). En conséquence, l'analyse principale de ces ensembles de données a été effectuée respectivement dans l'espace volumique (VBA) et l'espace surfacique (SBAV, CBA). Des comparaisons directes planifiées entre ces trois ensembles de données nous ont permis d'évaluer les effets des différentes étapes de notre approche d'alignement macroanatomique. Nous avons comparé les ensembles de données VBA et SBAV pour évaluer isolément l'impact du prétraitement basé sur la surface, tout en maintenant l'alignement macroanatomique constant. Nous avons comparé les ensembles de données SBAV et CBA pour évaluer isolément l'impact de l'alignement macroanatomique tout en maintenant constants les paramètres de prétraitement. Enfin, nous avons comparé les ensembles de données VBA et CBA pour évaluer l'impact combiné du prétraitement basé sur la surface et de l'alignement macroanatomique.

Nous avons effectué des analyses statistiques multi-sujets en utilisant la régression linéaire multiple du signal BOLD. La présentation de chaque séquence de stimulus en damier à un seul endroit a été modélisée par une fonction idéale de box-car, qui couvrait le volume de chaque essai, convoluée avec une fonction synthétique à deux gamma. Ces prédicteurs ont été utilisés pour construire la matrice de conception de l'expérience. Des cartes statistiques individuelles ont été générées en associant chaque voxel à la valeur bêta correspondant à l'ensemble spécifique de prédicteurs et calculées sur la base de la solution des moindres carrés moyens du modèle linéaire général. Les cartes statistiques individuelles résultantes ont été saisies dans une analyse de groupe à effets aléatoires de deuxième niveau en utilisant une approche statistique sommaire.

Nous avons effectué des analyses axées sur la cartographie des quatre quadrants visuels au niveau du groupe. Pour définir les retours sur investissement au niveau du groupe pour chaque quadrant visuel, nous avons calculé des contrastes pondérés séparés pour chaque quadrant par rapport aux trois autres quadrants. Nous avons attribué un poids de trois à la position d'intérêt, par exemple (βQuad_1 × 3)/(βQuad_2 + βQuad_3 + βQuad_4) (p < 0,05, Bonferroni corrigé). Cela nous a permis de détecter des régions cérébrales présentant une sélectivité de position significative. Pour chaque retour sur investissement au niveau du groupe résultant, nous avons extrait les évolutions temporelles moyennes (y compris les erreurs standard de la moyenne) pour les quatre conditions. Nous avons effectué cette analyse pour les trois ensembles de données (VBA, SBAV, CBA). Pour l'ensemble de données VBA, nous avons calculé cette analyse entièrement dans l'espace volumique en utilisant la résolution d'origine des données fonctionnelles (taille de voxel : 3 × 3 × 3 mm3). Nous avons projeté les cartes résultantes sur la représentation de surface moyenne non alignée, c'est-à-dire les représentations maillées gonflées avant CBA, comme illustré dans la rangée supérieure de la figure 6c. À cette fin, des cartes fonctionnelles volumétriques ont été transformées en espace de surface par échantillonnage sur la surface corticale moyenne incorporant des données de - 1 à + 3 mm le long des normales des sommets du cerveau de surface moyenne du groupe en utilisant une interpolation trilinéaire.

Avec cette transformation, nous avons cherché à obtenir une visualisation et une quantification des résultats VBA équivalentes aux résultats SBAV et CBA. Pour rendre les trois ensembles de données comparables, cette transformation des cartes fonctionnelles volumétriques reflète étroitement la transformation des données fonctionnelles en espace de surface effectuée pour les ensembles de données SBAV et CBA lors du prétraitement. Ainsi, nous avons pu évaluer la taille des grappes pour toutes les ROI de tous les ensembles de données dans l'espace de surface en fonction du nombre de sommets. Nous avons également extrait le nombre de voxels pour les résultats VBA avant transformation dans l'espace surfacique. Cependant, ce paramètre ne convient pas pour une comparaison avec les autres ensembles de données et n'a été inclus que pour assurer un rapport complet de nos résultats.

Nous avons utilisé deux approches pour déterminer si la sélectivité de position différait entre nos trois ensembles de données : premièrement, pour évaluer les différences dans l'étendue du cortex visuel précoce montrant une sélectivité de position significative, nous avons comparé la taille du retour sur investissement, c'est-à-dire le nombre de sommets, pour chaque position d'intérêt dans les ensembles de données. À cette fin, nous avons comparé les changements quantitatifs de la taille du retour sur investissement du groupe entre les méthodes d'alignement en utilisant la formule suivante : {(size_ROIQuad[AMm] − size_ROIQuad[AMn])/size_ROIQuad[AMn]} × 100. Ici, Quad indexe le quadrant visuel d'intérêt (LR, LL, UL, UR). AM fait référence aux méthodes d'alignement (VBA, SBAV, CBA). Les caractères en indice n et m spécifient les AM, m faisant référence à l'AM le moins avancé et n faisant référence à l'AM relativement plus avancé. Par conséquent, une valeur positive indique une augmentation de la taille de la ROI - et donc de la sélectivité de la position - pour la méthode d'alignement plus avancée. Deuxièmement, pour tester si la force de la sélectivité de position dans les ROI de chaque quadrant visuel a changé selon les techniques d'alignement, nous avons mené des modèles mixtes linéaires séparés avec une interception aléatoire pour chaque quadrant visuel en utilisant R (version R 4.1.2). Pour calculer le degré de sélectivité de la position dans chaque retour sur investissement, nous avons comparé les valeurs t à sujet unique de chaque quadrant visuel ("position d'intérêt") aux valeurs t à sujet unique des trois autres quadrants visuels, par exemple (tQuad_1 × 3)/(tQuad_2 + tQuad_3 + tQuad_4), séparément pour chaque méthode d'alignement. Nous avons utilisé les résultats de ces contrastes de chaque sujet comme variable dépendante et les méthodes d'alignement (VBA, SBAV et CBA) comme variable indépendante. Pour corriger les comparaisons multiples, les valeurs p ont été ajustées à l'aide de la correction de Bonferroni. Ainsi, un effet significatif dans les modèles mixtes linéaires indiquerait un changement pertinent dans la sélectivité de position à travers les méthodes d'alignement pour un quadrant visuel donné.

Enfin, pour évaluer l'impact des trois approches d'alignement sur la symétrie horizontale et verticale de nos ROI au niveau du groupe, nous avons calculé un indice d'asymétrie établi (AI)91 basé sur la taille de ROI, c'est-à-dire le nombre de sommets, entre chaque paire de ROI en utilisant la formule suivante : (|sizeROI_1 - sizeROI_2|/sizeROI_1 + sizeROI_2) × 100. Pour calculer l'AI vertical, nous avons comparé le nombre de sommets de ROI se faisant face à l'axe vertical. Ainsi, pour l'IA verticale, nous avons comparé les quadrants visuels gauche et droit. Pour calculer l'IA horizontale, nous avons comparé le nombre de sommets de ROI se faisant face sur l'axe horizontal. Ainsi, pour l'IA horizontale, nous avons comparé les quadrants visuels supérieur et inférieur.

Pour quantifier et visualiser la variabilité de l'activation fonctionnelle et les éventuels changements induits par l'alignement macroanatomique, l'utilisation des PM a été proposée. Les PM sont particulièrement utiles pour évaluer les incohérences, c'est-à-dire les disparités entre les individus concernant l'emplacement d'une zone (visuelle) particulière92,93. Pour quantifier la cohérence spatiale des modèles d'activation sélectifs de position, nous avons généré des PM pour chaque quadrant visuel pour les trois ensembles de données (VBA, SBAV, CBA). Ces cartes représentent le nombre relatif de sujets montrant une activité significative liée aux tâches dans notre analyse à sujet unique. À cette fin, nous avons généré des t-maps à sujet unique basées sur les mêmes contrastes pondérés utilisés dans l'analyse de groupe, mais fixés à un seuil statistique plus indulgent (p <0,05 non corrigé). Les PM ont été calculées en comptant le nombre de sujets présentant une activation au-dessus du seuil dans leurs t-maps individuelles à un sommet donné, en divisant cette valeur par le nombre total de sujets et en multipliant le résultat par 100. Pour l'ensemble de données VBA, nous avons calculé toutes ces étapes dans l'espace volumique et transformé le PM final en espace de surface en utilisant les mêmes paramètres décrits ci-dessus pour les cartes de groupe volumétriques. Enfin, nous avons seuillé tous les PM à un minimum de 10 % de probabilité de chevauchement d'activation. Nous avons également appliqué un seuil de niveau de cluster de 100 sommets pour nous concentrer sur les principaux domaines d'intérêt, c'est-à-dire les quadrants visuels. De plus, nous avons compté le nombre de sommets dans les cartes de probabilité correspondantes dépassant le seuil de 10 % de probabilité de chevauchement d'activation pour chaque quadrant visuel et méthodes d'analyse. Notre objectif était de quantifier et de comparer l'étendue du cortex visuel précoce, où chaque méthode d'analyse avait un impact pertinent sur la probabilité de chevauchement d'activation.

De plus, nous avons cherché à quantifier les changements dans la cohérence spatiale des modèles d'activation sélectifs de position résultant des différentes méthodes d'alignement. À cette fin, nous avons calculé les PDM pour chaque quadrant visuel, seuillés à une différence de probabilité minimale de 5 %, en utilisant les PM sans seuil d'origine. Les trois PDM résultants capturent différents aspects de notre approche globale : l'impact de la lecture et du prétraitement des données fonctionnelles basées sur la surface par rapport à l'alignement basé sur le volume (SBAV moins VBA), l'impact supplémentaire de l'application de l'alignement macroanatomique (CBA moins SBAV) et l'impact additif des deux méthodes (CBA moins VBA). De plus, nous avons compté le nombre de sommets dans les PDM correspondants dépassant le seuil de plus cinq ou moins cinq % de différence de probabilité de chevauchement d'activation pour chaque quadrant visuel. Notre objectif était de quantifier et de comparer l'étendue du cortex visuel précoce, où nous avons observé une différence dans la probabilité de chevauchement d'activation, pour une comparaison de la méthode d'analyse.

Pour les analyses au niveau d'un seul sujet, nous avons d'abord défini les retours sur investissement pour chaque sujet indépendamment avant et après l'alignement macroanatomique, c'est-à-dire pour SBAV et CBA, en utilisant les mêmes contrastes pondérés utilisés dans l'analyse de groupe. Nous avons appliqué un seuil statistique plus clément (p < 0,05 non corrigé). Ensuite, nous avons déterminé le sommet du pic pour les quatre ROI du quadrant visuel de chaque sujet, c'est-à-dire le sommet avec la valeur t la plus élevée, pour SBAV et CBA. Pour évaluer spécifiquement l'impact de l'alignement macroanatomique sur le chevauchement des sommets de pic ROI d'un seul sujet pour chaque quadrant visuel, nous avons cartographié tous les sommets de pic par quadrant visuel pour SBAV et CBA. Pour quantifier les changements dans le nombre de sommets de pic d'un seul sujet qui se chevauchent précisément, nous avons compté pour chaque sommet occipital le nombre de sommets de pic pour SBAV et CBA. Nous avons effectué cette analyse en plus de l'analyse PM et PDM pour fournir une évaluation et une visualisation plus directes des effets de l'alignement macroanatomique sur la correspondance spatiale des ROI d'un seul sujet. Nous avons limité cette analyse particulière à la comparaison entre SBAV et CBA, car nous étions spécifiquement intéressés par l'étude isolée de l'effet de l'alignement macroanatomique introduit dans l'ensemble de données CBA sur le chevauchement des sommets de pic ROI d'un seul sujet. Étant donné que VBA et SBAV n'incluaient pas l'alignement macroanatomique, mais que les deux ensembles de données différaient dans un certain nombre d'autres étapes de prétraitement, la comparaison directe entre SBAV et CBA est la plus appropriée pour étudier ce problème particulier.

Les données à l'appui des conclusions de cette étude sont disponibles auprès de l'auteur correspondant, RAB, sur demande raisonnable.

Wandell, BA, Dumoulin, SO & Brewer, AA Cartes du champ visuel dans le cortex humain. Neurone 56, 366–383. https://doi.org/10.1016/j.neuron.2007.10.012 (2007).

Article CAS PubMed Google Scholar

Corbetta, M. & Shulman, GL Contrôle de l'attention dirigée vers un objectif et axée sur un stimulus dans le cerveau. Nat. Rév. Neurosci. 3, 201–215. https://doi.org/10.1038/nrn755 (2002).

Article CAS PubMed Google Scholar

Das, M., Bennett, DM & Dutton, GN L'attention visuelle en tant que fonction visuelle importante : un aperçu des manifestations, du diagnostic et de la gestion de l'attention visuelle altérée. Br. J. Ophtalmol. 91, 1556-1560. https://doi.org/10.1136/bjo.2006.104844 (2007).

Article PubMed PubMed Central Google Scholar

de Haan, B., Bither, M., Brauer, A. & Karnath, HO Corrélats neuronaux de l'attention spatiale et de la détection de cible dans un environnement multi-cible. Cerb. Cortex 25, 2321–2331. https://doi.org/10.1093/cercor/bhu046 (2015).

Article PubMed Google Scholar

Goodale, M. & Milner, D. Un cerveau, deux systèmes visuels. Psychologue 19, 660–663 (2006).

Google Scholar

Bergmann, J., Genç, E., Kohler, A., Singer, W. & Pearson, J. L'anatomie neurale du cortex visuel primaire limite la mémoire de travail visuelle. Cerb. Cortex 26, 43–50. https://doi.org/10.1093/cercor/bhu168 (2014).

Article PubMed Google Scholar

Lee, J. et al. Preuve IRMf d'une adaptation neurale aberrante pour les objets dans la schizophrénie et le trouble bipolaire. Hum. Cartographie du cerveau. 40, 1608-1617. https://doi.org/10.1002/hbm.24472 (2019).

Article PubMed Google Scholar

Silverstein, SM et al. Un examen IRMf de l'intégration visuelle dans la schizophrénie. J. Intégr. Neurosci. 8, 175–202. https://doi.org/10.1142/s0219635209002113 (2009).

Article PubMed Google Scholar

Dumoulin, SO & Wandell, BA Estimations du champ récepteur de la population dans le cortex visuel humain. Neuroimage 39, 647–660. https://doi.org/10.1016/j.neuroimage.2007.09.034 (2008).

Article PubMed Google Scholar

Sereno, MI et al. Frontières de plusieurs zones visuelles chez l'homme révélées par l'imagerie par résonance magnétique fonctionnelle. Science (New York, NY) 268, 889–893. https://doi.org/10.1126/science.7754376 (1995).

Article ADS CAS Google Scholar

Harrison, SA & Tong, F. Le décodage révèle le contenu de la mémoire de travail visuelle dans les premières aires visuelles. Nature 458, 632–635. https://doi.org/10.1038/nature07832 (2009).

Article ADS CAS PubMed PubMed Central Google Scholar

Peters, B., Kaiser, J., Rahm, B. & Bledowski, C. L'activité dans le cortex visuel et pariétal humain révèle une attention basée sur l'objet dans la mémoire de travail. J. Neurosci. 35, 3360–3369. https://doi.org/10.1523/jneurosci.3795-14.2015 (2015).

Article CAS PubMed PubMed Central Google Scholar

Downing, PE, Chan, AW, Peelen, MV, Dodds, CM & Kanwisher, N. Spécificité de domaine dans le cortex visuel. Cerb. Cortex 16, 1453–1461. https://doi.org/10.1093/cercor/bhj086 (2006).

Article CAS PubMed Google Scholar

Kanwisher, N., McDermott, J. & Chun, MM La zone faciale fusiforme : un module du cortex extrastrié humain spécialisé dans la perception du visage. J. Neurosci. 17, 4302–4311. https://doi.org/10.1523/jneurosci.17-11-04302.1997 (1997).

Article CAS PubMed PubMed Central Google Scholar

Brett, M., Johnsrude, IS & Owen, AM Le problème de la localisation fonctionnelle dans le cerveau humain. Nat. Rév. Neurosci. 3, 243–249. https://doi.org/10.1038/nrn756 (2002).

Article CAS PubMed Google Scholar

Desai, R., Liebenthal, E., Possing, ET, Waldron, E. & Binder, JR Alignement volumétrique vs surface pour la localisation de l'activation du cortex auditif. Neuroimage 26, 1019–1029. https://doi.org/10.1016/j.neuroimage.2005.03.024 (2005).

Article PubMed Google Scholar

Dougherty, RF et al. Représentations du champ visuel et emplacements des aires visuelles V1/2/3 dans le cortex visuel humain. J.Vis. 3, 586–598. https://doi.org/10.1167/3.10.1 (2003).

Article PubMed Google Scholar

Fischl, B., Sereno, MI & Dale, AM Analyse basée sur la surface corticale. II : Inflation, aplatissement et système de coordonnées basé sur la surface. Neuroimage 9, 195–207. https://doi.org/10.1006/nimg.1998.0396 (1999).

Article CAS PubMed Google Scholar

Givre et Goebel. Mesure de la correspondance structurale-fonctionnelle : variabilité spatiale des régions cérébrales spécialisées après alignement macro-anatomique. Neuroimage 59, 1369–1381. https://doi.org/10.1016/j.neuroimage.2011.08.035 (2012).

Article PubMed Google Scholar

Givre et Goebel. Alignement basé sur le cortex fonctionnellement informé : une approche intégrée pour l'alignement fonctionnel macro-anatomique et basé sur le retour sur investissement du cortex entier. Neuroimage 83, 1002–1010. https://doi.org/10.1016/j.neuroimage.2013.07.056 (2013).

Article PubMed Google Scholar

Steinmetz, H., Fürst, G. & Freund, HJ Variation des repères anatomiques périsylviens et calcarins dans les coordonnées proportionnelles stéréotaxiques. Suis. J. Neuroradiol. 11, 1123-1130 (1990).

CAS PubMed PubMed Central Google Scholar

Van Essen, DC et al. Une suite logicielle intégrée pour les analyses de surface du cortex cérébral. Confiture. Méd. Informer. Assoc. 8, 443–459. https://doi.org/10.1136/jamia.2001.0080443 (2001).

Article ADS PubMed PubMed Central Google Scholar

Zilles, K. et al. Analyse quantitative des sillons dans le cortex cérébral humain : développement, hétérogénéité régionale, différence entre les sexes, asymétrie, variabilité interindividuelle et architecture corticale. Hum. Cartographie du cerveau. 5, 218–221. https://doi.org/10.1002/(SICI)1097-0193(1997)5:4%3c218::AID-HBM2%3e3.0.CO;2-6 (1997).

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0193%281997%295%3A4%3C218%3A%3AAID-HBM2%3E3.0.CO%3B2-6" aria-label="Article reference 23" data-doi="10.1002/(SICI)1097-0193(1997)5:43.0.CO;2-6">Article CAS PubMed Google Scholar

Bridge, H. Cartographier le cerveau visuel : comment et pourquoi. Eye (Londres) 25, 291–296. https://doi.org/10.1038/eye.2010.166 (2011).

Article CAS Google Scholar

Fedorenko , E. , Hsieh , PJ , Nieto-Castañón , A. , Whitfield-Gabrieli , S. & Kanwisher , N. Une nouvelle méthode pour les investigations IRMf du langage : Définir les ROI de manière fonctionnelle chez des sujets individuels . J. Neurophysiol. Rév. 104 , 1177–1194. https://doi.org/10.1152/jn.00032.2010 (2010).

Article PubMed PubMed Central Google Scholar

Julian, JB, Fedorenko, E., Webster, J. & Kanwisher, N. Une méthode algorithmique pour définir fonctionnellement les régions d'intérêt dans la voie visuelle ventrale. Neuroimage 60, 2357–2364. https://doi.org/10.1016/j.neuroimage.2012.02.055 (2012).

Article CAS PubMed Google Scholar

Nieto-Castañón, A. & Fedorenko, E. Les localisateurs fonctionnels spécifiques au sujet augmentent la sensibilité et la résolution fonctionnelle des analyses multi-sujets. Neuroimage 63, 1646–1669. https://doi.org/10.1016/j.neuroimage.2012.06.065 (2012).

Article PubMed Google Scholar

Smith, SM et al. Connectomique fonctionnelle de l'IRMf à l'état de repos. Tendances Conn. Sci. 17, 666–682. https://doi.org/10.1016/j.tics.2013.09.016 (2013).

Article PubMed PubMed Central Google Scholar

Talairach, J. & Tournoux, P. Atlas stéréotaxique coplanaire du cerveau humain : système proportionnel tridimensionnel : une approche de l'imagerie cérébrale (Thieme, 1988).

Google Scholar

Evans, AC et al. Modèles neuroanatomiques statistiques 3D à partir de 305 volumes d'IRM. En 1993 IEEE Conference Record Symposium sur les sciences nucléaires et conférence sur l'imagerie médicale, 1813–1817 vol.1813 (1993).

Klein, A. et al. Évaluation des méthodes d'enregistrement d'images cérébrales basées sur le volume et sur la surface. Neuroimage 51, 214–220. https://doi.org/10.1016/j.neuroimage.2010.01.091 (2010).

Article PubMed Google Scholar

Ghosh, SS et al. Évaluation de la validité de l'enregistrement d'images cérébrales basé sur le volume et sur la surface pour les études en neurosciences cognitives du développement chez les enfants de 4 à 11 ans. Neuroimage 53, 85–93. https://doi.org/10.1016/j.neuroimage.2010.05.075 (2010).

Article PubMed Google Scholar

Nieto-Castanon, A., Ghosh, SS, Tourville, JA et Guenther, FH Analyse basée sur la région d'intérêt des données d'imagerie fonctionnelle. Neuroimage 19, 1303–1316. https://doi.org/10.1016/s1053-8119(03)00188-5 (2003).

Article PubMed Google Scholar

Fischl, B., Sereno, MI, Tootell, RB & Dale, AM Moyenne intersujet à haute résolution et système de coordonnées pour la surface corticale. Hum. Cartographie du cerveau. 8, 272–284. https://doi.org/10.1002/(sici)1097-0193(1999)8:4%3c272::aid-hbm10%3e3.0.co;2-4 (1999).

3.0.co;2-4" data-track-action="article reference" href="https://doi.org/10.1002%2F%28sici%291097-0193%281999%298%3A4%3C272%3A%3Aaid-hbm10%3E3.0.co%3B2-4" aria-label="Article reference 34" data-doi="10.1002/(sici)1097-0193(1999)8:43.0.co;2-4">Article CAS PubMed PubMed Central Google Scholar

Brodoehl, S., Gaser, C., Dahnke, R., Witte, OW et Klingner, CM L'analyse basée sur la surface augmente la spécificité des modèles d'activation corticale et des résultats de connectivité. Sci. Rep. 10, 5737. https://doi.org/10.1038/s41598-020-62832-z (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Fischl, B. et al. Modèles de repliement cortical et prédiction de la cytoarchitecture. Cerb. Cortex 18, 1973–1980. https://doi.org/10.1093/cercor/bhm225 (2008).

Article PubMed Google Scholar

Anticevic, A. et al. Comparaison des analyses basées sur la surface et basées sur le volume des données de neuroimagerie fonctionnelle chez les patients atteints de schizophrénie. Neuroimage 41, 835–848. https://doi.org/10.1016/j.neuroimage.2008.02.052 (2008).

Article PubMed Google Scholar

Pantazis, D. et al. Comparaison des méthodes basées sur les points de repère et automatiques pour l'enregistrement de la surface corticale. Neuroimage 49, 2479–2493. https://doi.org/10.1016/j.neuroimage.2009.09.027 (2010).

Article PubMed Google Scholar

Van Essen, DC & Drury, HA Analyses structurelles et fonctionnelles du cortex cérébral humain à l'aide d'un atlas basé sur la surface. J. Neurosci. 17, 7079–7102. https://doi.org/10.1523/jneurosci.17-18-07079.1997 (1997).

Article PubMed PubMed Central Google Scholar

Frost, MA, Esposito, F. & Goebel, R. Amélioration de la correspondance des réseaux à l'état de repos après alignement macroanatomique. Hum. Cartographie du cerveau. 35, 673–682. https://doi.org/10.1002/hbm.22191 (2014).

Article PubMed Google Scholar

Hinds, OP et al. Prédiction précise de l'emplacement de V1 à partir des plis corticaux dans un système de coordonnées de surface. Neuroimage 39, 1585–1599. https://doi.org/10.1016/j.neuroimage.2007.10.033 (2008).

Article PubMed Google Scholar

Weiner, KS et al. Définition de l'emplacement le plus probable de la zone de lieu parahippocampique à l'aide d'un alignement basé sur le cortex et d'une validation croisée. Neuroimage 170, 373–384. https://doi.org/10.1016/j.neuroimage.2017.04.040 (2018).

Article PubMed Google Scholar

Rosenke, M., van Hoof, R., van den Hurk, J., Grill-Spector, K. & Goebel, R. Un atlas fonctionnel probabiliste du cortex visuel occipito-temporel humain. Cerb. Cortex https://doi.org/10.1093/cercor/bhaa246 (2020).

Article PubMed PubMed Central Google Scholar

Huang, T., Chen, X., Jiang, J., Zhen, Z. & Liu, J. Un atlas probabiliste du complexe de mouvement humain construit à partir de données de localisateur fonctionnel à grande échelle. Hum. Cartographie du cerveau. 40, 3475–3487. https://doi.org/10.1002/hbm.24610 (2019).

Article PubMed PubMed Central Google Scholar

Di Russo, F., Martínez, A. & Hillyard, SA Analyse des sources de l'activité corticale liée aux événements pendant l'attention visuo-spatiale. Cerb. Cortex 13, 486–499. https://doi.org/10.1093/cercor/13.5.486 (2003).

Article PubMed Google Scholar

Di Russo, F., Martínez, A., Sereno, MI, Pitzalis, S. & Hillyard, SA Sources corticales des premiers composants du potentiel évoqué visuel. Hum. Cartographie du cerveau. 15, 95–111. https://doi.org/10.1002/hbm.10010 (2002).

Article PubMed Google Scholar

Shigihara, Y., Hoshi, H. & Zeki, S. Réponses corticales visuelles précoces produites par la stimulation du motif en damier. Neuroimage https://doi.org/10.1016/j.neuroimage.2016.03.078 (2016).

Article PubMed Google Scholar

Kraft, A. et al. Technique de localisation IRMf : acquisition efficace et propriétés fonctionnelles de positions rétinotopiques uniques dans le cortex visuel humain. Neuroimage 28, 453–463. https://doi.org/10.1016/j.neuroimage.2005.05.050 (2005).

Article PubMed Google Scholar

Bressler, DW & Silver, MA L'attention spatiale améliore la fiabilité des signaux de cartographie rétinotopique IRMf dans le cortex occipital et pariétal. Neuroimage 53, 526–533. https://doi.org/10.1016/j.neuroimage.2010.06.063 (2010).

Article PubMed Google Scholar

Anderson, J., Cameron, E. & Levine, M. Une méthode pour quantifier les inhomogénéités du champ visuel. Vis. Rés. 105, 25. https://doi.org/10.1016/j.visres.2014.09.010 (2014).

Article Google Scholar

Liu, T., Heeger, DJ & Carrasco, M. Corrélats neuraux de l'asymétrie méridienne verticale visuelle. J.Vis. 6, 1294–1306. https://doi.org/10.1167/6.11.12 (2006).

Article PubMed Google Scholar

O'Connell, C. et al. Corrélats structurels et fonctionnels de l'asymétrie du champ visuel dans le cerveau humain par IRM à aplatissement de diffusion et IRM fonctionnelle. NeuroReport 27, 1225–1231. https://doi.org/10.1097/wnr.0000000000000682 (2016).

Article PubMed PubMed Central Google Scholar

Rubin, N., Nakayama, K. & Shapley, R. Perception améliorée des contours illusoires dans les hémichamps visuels inférieurs et supérieurs. Sciences 271, 651–653. https://doi.org/10.1126/science.271.5249.651 (1996).

Article ADS CAS PubMed Google Scholar

Bullmore, E. & Sporns, O. Réseaux cérébraux complexes : analyse théorique des graphes des systèmes structurels et fonctionnels. Nat. Rév. Neurosci. 10, 186–198. https://doi.org/10.1038/nrn2575 (2009).

Article CAS PubMed Google Scholar

Chen, H., Yao, D. & Liu, Z. Une étude sur l'asymétrie du champ visuel spatial par analyse de la réponse IRMf BOLD. Cerveau Topogr. 17, 39–46. https://doi.org/10.1023/b:brat.0000047335.00110.6a (2004).

Article PubMed Google Scholar

Loughnane, GM, Shanley, JP, Lalor, EC & O'Connell, RG Preuve comportementale et électrophysiologique d'asymétries visuospatiales latérales opposées dans les champs visuels supérieur et inférieur. Cortex 63, 220–231. https://doi.org/10.1016/j.cortex.2014.09.003 (2015).

Article PubMed Google Scholar

Eickhoff, SB, Rottschy, C., Kujovic, M., Palomero-Gallagher, N. & Zilles, K. Principes organisationnels du cortex visuel humain révélés par la cartographie des récepteurs. Cerb. Cortex 18, 2637–2645. https://doi.org/10.1093/cercor/bhn024 (2008).

Article PubMed PubMed Central Google Scholar

Curcio, CA & Allen, KA Topographie des cellules ganglionnaires dans la rétine humaine. J. Comp. Neurol. 300, 5–25. https://doi.org/10.1002/cne.903000103 (1990).

Article CAS PubMed Google Scholar

Silson, EH, Reynolds, RC, Kravitz, DJ & Baker, CI Échantillonnage différentiel de l'espace visuel dans le cortex visuel précoce ventral et dorsal. J. Neurosci. 38, 2294–2303. https://doi.org/10.1523/jneurosci.2717-17.2018 (2018).

Article CAS PubMed PubMed Central Google Scholar

Hagler, DJ Jr. Asymétries du champ visuel dans les réponses évoquées visuelles. J.Vis. 14, 13. https://doi.org/10.1167/14.14.13 (2014).

Article PubMed PubMed Central Google Scholar

Schmidtmann, G., Logan, AJ, Kennedy, GJ, Gordon, GE et Loffler, G. Préférence distincte du champ visuel inférieur pour la forme de l'objet. J.Vis. 15, 18. https://doi.org/10.1167/15.5.18 (2015).

Article PubMed Google Scholar

Thomas, NA & Elias, LJ Différences du champ visuel supérieur et inférieur dans les asymétries perceptives. Cerveau Res. 1387, 108-115. https://doi.org/10.1016/j.brainres.2011.02.063 (2011).

Article CAS PubMed Google Scholar

Zito, GA, Cazzoli, D., Müri, RM, Mosimann, UP & Nef, T. Différences comportementales dans les hémichamps visuels supérieur et inférieur dans la perception de la forme et du mouvement. Devant. Comportement Neurosci. 10, 128–128. https://doi.org/10.3389/fnbeh.2016.00128 (2016).

Article PubMed PubMed Central Google Scholar

Bakroon, A. & Lakshminarayanan, V. Fonction visuelle dans les troubles du spectre autistique : une revue critique. Clin. Exp. Optom. 99, 297–308. https://doi.org/10.1111/cxo.12383 (2016).

Article PubMed Google Scholar

Butler, PD et al. Dysfonctionnement du traitement visuel à un stade précoce dans la schizophrénie. Suis. J. Psychiatrie 158, 1126–1133. https://doi.org/10.1176/appi.ajp.158.7.1126 (2001).

Article CAS PubMed Google Scholar

Butler, PD, Silverstein, SM & Dakin, SC La perception visuelle et sa déficience dans la schizophrénie. Biol. Psychiatrie 64, 40–47. https://doi.org/10.1016/j.biopsych.2008.03.023 (2008).

Article PubMed PubMed Central Google Scholar

Chen, CY et al. Attention spatiale visuelle chez les enfants atteints de trouble d'hyperactivité avec déficit de l'attention. Chang Gung Med. J. 25, 514-521 (2002).

Google Scholar PubMed

Hale, TS et al. Asymétrie du réseau visuel et fonction de réseau en mode par défaut dans le TDAH : une étude IRMf. Devant. Psychiatrie 5, 81. https://doi.org/10.3389/fpsyt.2014.00081 (2014).

Article PubMed PubMed Central Google Scholar

Sanz-Cervera, P., Pastor-Cerezuela, G., González-Sala, F., Tárraga-Mínguez, R. & Fernández-Andrés, M.-I. Traitement sensoriel chez les enfants atteints de troubles du spectre autistique et/ou de trouble déficitaire de l'attention avec hyperactivité à la maison et en classe. Devant. Psychol. 8, 1772–1772. https://doi.org/10.3389/fpsyg.2017.01772 (2017).

Article PubMed PubMed Central Google Scholar

Seymour, RA, Rippon, G., Gooding-Williams, G., Schoffelen, JM et Kessler, K. Connectivité oscillatoire dérégulée dans le système visuel dans les troubles du spectre autistique. Cerveau 142, 3294–3305. https://doi.org/10.1093/brain/awz214 (2019).

Article PubMed PubMed Central Google Scholar

Shimizu, VT, Bueno, OF & Miranda, MC Capacités de traitement sensoriel des enfants atteints de TDAH. Braz. J.Phys. Là. 18, 343–352. https://doi.org/10.1590/bjpt-rbf.2014.0043 (2014).

Article PubMed PubMed Central Google Scholar

Bittner, RA et al. Le moment et le lieu du dysfonctionnement de la mémoire de travail dans la schizophrénie précoce - une étude d'imagerie par résonance magnétique fonctionnelle. Cerb. Cortex 25, 2494-2506. https://doi.org/10.1093/cercor/bhu050 (2015).

Article PubMed Google Scholar

Butler, PD, Thompson, JL, Seitz, AR, Deveau, J. & Silverstein, SM Remédiation perceptuelle visuelle pour les personnes atteintes de schizophrénie : justification, méthode et trois études de cas. Psychiatre. Réhabilit. J. 40, 43–52. https://doi.org/10.1037/prj0000212 (2017).

Article PubMed Google Scholar

Haenschel, C. et al. Contribution du traitement visuel précoce altéré au dysfonctionnement de la mémoire de travail chez les adolescents atteints de schizophrénie : une étude avec des potentiels liés aux événements et une imagerie par résonance magnétique fonctionnelle. Cambre. Psychiatrie générale 64, 1229–1240. https://doi.org/10.1001/archpsyc.64.11.1229 (2007).

Article PubMed Google Scholar

Manoach, DS Dysfonctionnement du cortex préfrontal pendant la performance de la mémoire de travail dans la schizophrénie : Réconcilier les résultats divergents. Schizophrène. Rés. 60, 285–298. https://doi.org/10.1016/s0920-9964(02)00294-3 (2003).

Article PubMed Google Scholar

French, L. & Paus, T. Une vue FreeSurfer du transcriptome cortical généré à partir de l'Atlas du cerveau humain Allen. Devant. Neurosci. https://doi.org/10.3389/fnins.2015.00323 (2015).

Article PubMed PubMed Central Google Scholar

Gulban, OF et al. Amélioration d'un atlas cytoarchitectonique probabiliste du cortex auditif à l'aide d'une nouvelle méthode d'alignement interindividuel. Elife 9, e56963. https://doi.org/10.7554/eLife.56963 (2020).

Article CAS PubMed PubMed Central Google Scholar

Hawrylycz, MJ et al. Un atlas anatomiquement complet du transcriptome du cerveau humain adulte. Nature 489, 391–399. https://doi.org/10.1038/nature11405 (2012).

Article ADS CAS PubMed PubMed Central Google Scholar

Sabuncu, MR et al. Alignement intersujet basé sur la fonction de l'anatomie corticale humaine. Cerb. Cortex 20, 130–140. https://doi.org/10.1093/cercor/bhp085 (2009).

Article PubMed Central Google Scholar

Conroy, BR, Singer, BD, Guntupalli, JS, Ramadge, PJ & Haxby, JV Alignement inter-sujets de l'anatomie corticale humaine à l'aide de la connectivité fonctionnelle. Neuroimage 81, 400–411. https://doi.org/10.1016/j.neuroimage.2013.05.009 (2013).

Article PubMed Google Scholar

Glasser, MF et al. Une parcellisation multimodale du cortex cérébral humain. Nature 536, 171–178. https://doi.org/10.1038/nature18933 (2016).

Article ADS CAS PubMed PubMed Central Google Scholar

Gulban, OF et al. Amélioration d'un atlas cytoarchitectonique probabiliste du cortex auditif à l'aide d'une nouvelle méthode d'alignement interindividuel. Elife 9, 25. https://doi.org/10.7554/eLife.56963 (2020).

Article Google Scholar

Oldfield, RC L'évaluation et l'analyse de la latéralité : L'inventaire d'Edimbourg. Neuropsychologie 9, 97–113. https://doi.org/10.1016/0028-3932(71)90067-4 (1971).

Article CAS PubMed Google Scholar

Goebel, R., Esposito, F. & Formisano, E. Analyse des données du concours d'analyse d'images fonctionnelles (FIAC) avec brainvoyager QX : de l'analyse du modèle linéaire général de groupe à sujet unique à l'alignement cortical et de l'analyse des composants indépendants du groupe auto-organisé. Hum. Cartographie du cerveau. 27, 392–401. https://doi.org/10.1002/hbm.20249 (2006).

Article PubMed PubMed Central Google Scholar

Sled, JG, Zijdenbos, AP & Evans, AC Dans Actes de la 15e Conférence internationale sur le traitement de l'information en imagerie médicale 459–464 (Springer-Verlag, 1997).

Hou, Z., Huang, S., Hu, Q. & Nowinski, WL Une méthode rapide et automatique pour corriger l'inhomogénéité d'intensité dans les images cérébrales IRM. Méd. Calcul d'image. Calcul. Aider. Interv. 9, 324–331. https://doi.org/10.1007/11866763_40 (2006).

Article PubMed Google Scholar

Kriegeskorte, N. & Goebel, R. Un algorithme efficace pour une segmentation topologiquement correcte de la feuille corticale dans des volumes MR anatomiques. Neuroimage 14, 329–346 (2001).

Article CAS Google Scholar

Fan, X. et al. Effets métaboliques de l'aripiprazole d'appoint chez les patients schizophrènes traités par la clozapine. Acta Psychiatre. Scannez. 127, 217–226. https://doi.org/10.1111/acps.12009 (2013).

Article CAS PubMed Google Scholar

Breman, H. et al. Dans Biomedical Image Registration (eds Špiclin, Ž et al.) 122–130 (Springer, 2020).

Chapitre Google Scholar

Greve, DN & Fischl, B. Alignement précis et robuste des images cérébrales à l'aide d'un enregistrement basé sur les limites. Neuroimage 48, 63–72. https://doi.org/10.1016/j.neuroimage.2009.06.060 (2009).

Article PubMed Google Scholar

Heckemann, RA et al. Morphométrie automatique dans la maladie d'Alzheimer et les troubles cognitifs légers. Neuroimage 56, 2024–2037. https://doi.org/10.1016/j.neuroimage.2011.03.014 (2011).

Article PubMed Google Scholar

Wang, L., Mruczek, RE, Arcaro, MJ et Kastner, S. Cartes probabilistes de la topographie visuelle dans le cortex humain. Cerb. Cortex 25, 3911–3931. https://doi.org/10.1093/cercor/bhu277 (2015).

Article CAS PubMed Google Scholar

Yamamoto, H. et al. Incohérence et incertitude des loci de la zone visuelle humaine après un enregistrement basé sur la surface : cartes de probabilité et d'entropie. Hum. Cartographie du cerveau. 33, 121–129. https://doi.org/10.1002/hbm.21200 (2012).

Article PubMed Google Scholar

Télécharger les références

Les auteurs sont très reconnaissants à Deliah Macht, Christina Raab et Leonie Winkler-Lauble pour leur aide dans l'acquisition des données. CV Barnes-Scheufler a été soutenu par une bourse "main doctus" de la Fondation polytechnique de Francfort-sur-le-Main. E. Raspor a été soutenu par une bourse de recherche pour les programmes doctoraux en Allemagne du Service allemand d'échanges universitaires (DAAD).

Financement Open Access activé et organisé par Projekt DEAL.

Département de psychiatrie, médecine psychosomatique et centre de psychothérapie et d'imagerie cérébrale, hôpital universitaire de Francfort, Université Goethe, Francfort-sur-le-Main, Allemagne

Mishal Qubad, Catherine V. Barnes-Scheufler, Eva Raspor, Lara Rosler, Carmen Schiweck, Andreas Reif et Robert A. Bittner

Institut Leibniz pour la recherche sur la résilience, Mayence, Allemagne

Michel mousse

Institut néerlandais des neurosciences, Amsterdam, Pays-Bas

Lara Rosler et Rainer Goebel

Institut de psychologie médicale, Hôpital universitaire de Francfort, Université Goethe, Francfort-sur-le-Main, Allemagne

Benjamin Peters

Zuckerman Mind Brain Behavior Institute, Université de Columbia, New York, NY, États-Unis

Benjamin Peters

Département de neurosciences cognitives, Faculté de psychologie et de neurosciences, Université de Maastricht, Maastricht, Pays-Bas

Rainer Gobel

Institut Ernst Strüngmann pour les neurosciences (ESI) en coopération avec la société Max Planck, Francfort-sur-le-Main, Allemagne

Robert A. Bittner

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs ont apporté des contributions substantielles à la conception ou à la conception de l'œuvre, ou à l'acquisition, l'analyse ou l'interprétation des données. AR et RAB ont acquis un financement. RAB, BP, MS et LR ont conçu l'expérience. MQ, CVB-S., LR et RAB ont acquis les données. ER et RG ont fourni des outils d'analyse. MQ, CS et RAB ont analysé les données. MQ et RAB ont entrepris les recherches documentaires et rédigé la première ébauche du manuscrit. Tous les auteurs ont contribué et révisé le manuscrit. Tous les auteurs ont lu et approuvé le manuscrit final.

Correspondance à Robert A. Bittner.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Qubad, M., Barnes-Scheufler, CV, Schaum, M. et al. Amélioration de la correspondance des données du localisateur de champ visuel IRMf après alignement macroanatomique basé sur le cortex. Sci Rep 12, 14310 (2022). https://doi.org/10.1038/s41598-022-17909-2

Télécharger la citation

Reçu : 01 juillet 2021

Accepté : 02 août 2022

Publié: 22 août 2022

DOI : https://doi.org/10.1038/s41598-022-17909-2

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.