Dans notre contexte particulier, l'analyse des données EEG-IRMf consiste en un paradigme IRMf lié à un événement, où l'événement consiste en la survenue d'événements épileptiques, tels que des pics interictaux, mesurés avec l'EEG dans le scanner. Par rapport aux études IRMf cognitives, le paradigme n'est pas complètement contrôlé, car les événements épileptiques se produisent de manière imprévisible. Après l'identification de ces événements par un électroencéphalographe expert, l'approche habituelle du modèle linéaire général est utilisée pour analyser les données IRMf.
Dans une analyse de modèle linéaire typique, un seul HRF composé d'une fonction gamma positive suivie d'une fonction gamma négative plus petite (le sous-dépassement) est utilisé. Un HRF couramment utilisé est le HRF de Glover (Glover 1999). Sa première fonction gamma culmine à 5,4 secondes, avec une largeur à mi-hauteur (FWHM) de 5,2 secondes. La deuxième fonction gamma (le sous-dépassement) culmine à 10,8 secondes, a une FWHM de 7,35 secondes et une amplitude de 35 % de la première fonction gamma. Ce modèle s'est largement avéré efficace pour détecter les activations IRMf et a été largement utilisé. Cependant, la possibilité de réponses locales variables et la variabilité inter-sujets peuvent signifier qu'une analyse utilisant un seul HRF peut ne pas être optimale.
Notre groupe a examiné les HRF spécifiques aux patients (Kang et al 2003). Les patients ont été analysés à l'aide du HRF de Glover. Une fois les activations obtenues, un HRF local spécifique au patient a été calculé. Les données de ce patient ont ensuite été réanalysées avec ce HRF. L'activation dans la région d'origine a augmenté de manière prévisible, mais de nouvelles régions d'activation ont également été découvertes. Cependant, cette méthode présente un inconvénient fondamental. Si les régions initiales d'activation sont définies par une analyse utilisant le HRF de Glover, les HRF de ces régions auront tendance à être similaires au HRF de Glover. Si une région a une réponse HRF qui ne correspond pas bien au HRF de Glover, elle est moins susceptible d'être activée de manière significative ou incluse dans les voxels utilisés pour calculer le HRF spécifique au patient. Pour surmonter cette limitation, nous avons développé une approche multi-HRF.
Dans cette approche, nous effectuons 4 analyses distinctes de chaque ensemble de données (Bagshaw et al 2004). Chaque analyse utilise un HRF différent, composé d'une seule fonction gamma positive culminant à 3, 5, 7 ou 9 secondes après le début de l'événement, avec une FWHM de 5,2 secondes. Nous ne modélisons pas de sous-dépassement dans cette analyse car le sous-dépassement est une composante plus variable du HRF, parfois absente et variable en amplitude et en temps de pic. Une analyse distincte est réalisée en utilisant chacun des quatre modèles. En utilisant fMRIstat, cela signifie que fmrilm doit être exécuté quatre fois pour chaque scan pour chaque sujet. Dans SPM, l'analyse doit être exécutée quatre fois, à chaque fois en utilisant un modèle HRF différent.
|
| Les quatre modèles utilisés dans notre méthode multi HRF. |
Instructions fMRIstat
L'utilisation de plusieurs HRF implique simplement l'exécution de plusieurs analyses indépendantes. Les analyses fMRIstat doivent être menées comme d'habitude pour chaque HRF. Par exemple, dans notre analyse, nous exécutons fMRIstat pour les pics 3, 5, 7 et 9.
Combinaison des HRF
Bien qu'il soit possible de simplement examiner la « meilleure » tmap de chaque sujet, définir quelle tmap est la meilleure peut être problématique. Par exemple, une valeur t plus élevée ou un plus grand nombre de voxels est-il plus important ? De plus, ces analyses séparées ne traitent pas de la question de la variabilité au sein du sujet. La combinaison des différentes t-maps en une seule carte résout partiellement ce problème.
La méthode combinée est assez simple. Un nouveau fichier image est créé en utilisant les t-maps des modèles individuels comme modèle. Chaque voxel est examiné indépendamment et la valeur du tmap avec la valeur absolue la plus élevée est écrite dans ce voxel. Nous utilisons 5 voxels contigus avec une valeur t supérieure à 3,1 comme seuil, ce qui correspond à p < 0,05 corrigé pour l'analyse multiple dans un scan de 64x64x25 voxels de 5 mm x 5 mm x 5 mm.
Nos recherches ont montré que cette méthode était très utile. Dans nos études sur l'épilepsie, nous ne voyons pas toujours d'activation même si nous enregistrons un grand nombre d'événements. Il s'agit probablement d'un problème de rapport signal/bruit de la réponse BOLD aux pics. Cependant, l'utilisation de la méthode multi-HRF a augmenté le pourcentage de patients ayant répondu de 45 % à 62,5 % (Bagshaw et al. 2004). sur, plusieurs zones sont mieux modélisées par les multi HRF que par le Glover HRF standard. Alors que le Glover HRF est généralement assez efficace pour détecter les activations, l'analyse multi HRF était souvent meilleure pour les désactivations, qui avaient tendance à atteindre un pic plus tard (mais n'étaient pas un sous-dépassement d'une réponse antérieure).
| 
| |
Exemples de tmaps pour l'activation. Dans ce cas, les pics 3 et 5 semblent être les meilleurs tmaps. La carte combinée contient les meilleurs éléments des quatre cartes de pics. | Notez que l'activation du côté droit de cette image est la plus forte du pic 7, tandis que l'activation du côté gauche est la plus forte du pic 5. Il s'agit d'un bon exemple d'activation optimisée par l'utilisation de plusieurs modèles HRF. | |
| ||
Cartes de désactivation qui montrent une diminution généralisée de la désactivation qui n'est pas présente dans le pic 3 et mal modélisée par le pic 5. Il s'agit d'un excellent exemple de la façon dont un seul modèle HRF (tel que le pic 5) peut manquer de grandes désactivations généralisées. | ||