Etude longitudinale des réseaux cérébraux à large échelle en IRMf : méthodes et application à l'étude de l'apprentissage moteur

Longitudinal study of large-scale networks in the human brain using fMRI : methods and application to motor skill learning

• Auteur / Autrice : Pierre Bellec
• Direction : Habib Benali
• Type : Thèse de doctorat
• Discipline(s) : Physique. Sciences et technologies de l'information des télécommunications et des systèmes
• Date : Soutenance en 2006
• Etablissement(s) : Paris 11
• Partenaire(s) de recherche : Autre partenaire : Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne)

Mots clés

Mots clés libres

Cerveau

Plasticité

Connectivité fonctionnelle

Système moteur

Résumé

L'apprentissage de nouvelles capacités chez l'homme induit une réorganisation spatiale et temporelle importante de l'activité cérébrale. Un tel processus de plasticité cérébrale implique notamment la modulation des interactions fonctionnelles au sein de réseaux de régions distribuées dans le cerveau, appelés réseaux à large échelle. Différentes mesures de connectivité existent pour quantifier ces interactions à partir des données d'imagerie par résonance magnétique fonctionnelle (IRMf), qui permet de mesurer de manière indirecte et non invasive l'activité cérébrale. J'ai développé une série de méthodes permettant de caractériser la réorganisation des réseaux cérébraux à large échelle, à partir d'une étude longitudinale par IRMf portant sur un même sujet, ou groupe de sujets, à différents stades d'un processus d'apprentissage. Tout d'abord, le réseau de régions impliquées dans l'exécution de la tâche d'apprentissage est construit et identifié de manière exploratoire à l‘aide d'une méthode de croissance compétitive visant à segmenter la matière grise en régions fonctionnellement homogènes, suivie d'une procédure statistique de classification. Une méthode statistique permet ensuite de déterminer quelles interactions au sein du réseau sont modifiées de manière significative au cours du processus d'apprentissage. Cette méthode repose sur une technique de bootstrap non paramétrique, tenant compte de l'autocorrélation temporelle des données d'IRMf, et contrôlant le taux de faux positifs. Ces méthodes ont été validées et évaluées sur données de simulation et sur des données réelles, ces dernières impliquant un apprentissage de séquences motrices et d'adaptation sensorimotrice.

Skill learning in human healthy volunteers is thought to induce a reorganization of cerebral activity. Such process of cerebral plasticity involves the modulation of functional interactions within networks of spatially distributed brain regions, or large-scale networks. Various measures of connectivity exist that allow one to quantify these functional interactions using functional magnetic resonance imaging (fMRI), which enables the non-invasive, yet indirect, measure of cerebral activity. I developed a series of methods that allows to characterize the reorganization of large-scale networks in the brain when considering an fMRI longitudinal study of a single subject or group of subjects, at various stages of a learning process. First, the regions of the network involved in the execution of the task under scrutiny are built and identified from the functional data in an exploratory way, by using a competitive region growing method, which segments the gray matter into functionally homogeneous regions, then followed by a statistical classification procedure. A statistical method is then designed to assess which interactions are significantly modulated within the network during the plasticity process. This method is based on a non-parametric bootstrap technique, taking the temporal auto-correlation of fMRI time series into account, and controling the false discovery rate. These methods have been validated and evaluated on both synthetic and real datasets. Two real datasets were studied, which involved learning of a sensorimotor adaptation task and of a motor sequence task, respectively.