tance de la connectivité fonctionnelle
est déterminée en calculant la corréla-
tion temporelle entre l'activité cérébrale
dans différentes régions (5) (Figure 1).
Les méthodes de connectivité fonction-
nelle sont le plus souvent utilisées pour
analyser une série temporelle d'images
d'IRM, enregistrées au repos. Dans une
expérience typique d'IRMf au repos, on
enregistre l'activité cérébrale spontanée
lorsque le sujet est immobile dans l'ap-
pareil d'IRM, tandis qu'il ferme les yeux
ou qu'il fixe une croix. La simplicité
d'une telle expérience a fortement sti-
mulé l'utilisation des méthodes de
connectivité fonctionnelle pour étudier
les RSN, qui reflètent l'architecture fonc-
tionnelle intrinsèque du cerveau (4, 6).
ner les RSN englobe l'extraction de la
série temporelle dans un territoire céré-
bral donné au choix, et ensuite l'indica-
tion des corrélations temporelles entre
les séries temporelles de ce territoire et
celles de tous les autres voxels dans le
cerveau (méthode seed-based) (7). La
cartographie cérébrale qui en résulte re-
présente un réseau de territoires céré-
celle de la région seed. Entre-temps, plu-
sieurs RSN ont été décrits dans la littéra-
ture, parmi lesquels les réseaux sensori-
moteur, visuel, auditif, le réseau du
mode par défaut (default mode), le ré-
seau dorsal et ventral de l'attention (8).
Ces RSN correspondent à l'architecture
fonctionnelle des réseaux qui sont le
plus souvent modulés durant les tâches
actives (6) (Figure 2). La méthode seed-
based est utile pour conduire des études
basées sur des hypothèses, par exemple
pour étudier si la connectivité fonction-
nelle entre deux territoires cérébraux
spécifiques est atteinte après une lésion
cérébrale.
dantes (independent component analy-
sis, ICA) est une autre technique permet-
tant d'analyser les données d'IRMf au
repos (3). L'ICA analyse la série complète
de signaux d'IRMf pour en extraire un
ensemble de composantes dotées d'une
indépendance maximale dans le do-
maine spatial. Ces composantes sont
caractérisées par une série temporelle et
une carte cérébrale spatiale dont l'inten-
sité dans chaque voxel reflète la contri-
données d'IRMf. Certaines composantes
reflètent le bruit de fond, tandis que
d'autres indiquent les systèmes neuro-
anatomiques qui sont associés aux RSN.
Ces RSN présentent un important che-
vauchement avec les réseaux qu'on ob-
tient grâce à la méthode seed-based, en
dépit du fait que les deux méthodes uti-
lisent des mesures différentes (9). Étant
donné que l'ICA est une technique déter-
minée par les données (data-driven), elle
constitue la technique par excellence
pour effectuer des analyses explora-
trices, par exemple pour étudier si la
topographie de réseaux cérébraux
complets est modifiée après une lésion
cérébrale.
à la connectivité fonctionnelle
rectement si les corrélations spontanées
de l'activité cérébrale entre différents ter-
ritoires reflètent de facto la relation ana-
tomique entre ces territoires cérébraux.
De manière générale, les conclusions
des études ayant combiné la connectivi-
té fonctionnelle au repos et la connecti-
connectivité fonctionnelle sur la base de
données d'IRMf au repos. Les fluctuations
spontanées du signal BOLD (blood oxygen
level-dependent) sont mesurées dans dif-
férents territoires cérébraux. La relation
entre les séries temporelles est évaluée en
calculant une corrélation temporelle, laquelle
peut être significative (ligne continue) ou non
significative (ligne pointillée). Dans cet
exemple, la série temporelle d'IRMf est
extraite de la jonction temporo-pariétale
(JTP), de la circonvolution frontale inférieure
(CFI) et du cortex moteur primaire (M1) d'un
sujet. Les fluctuations spontanées de la JTP
droite et de la CFI droite sont significativement
corrélées (connectivité fonctionnelle), tandis
que M1 ne présente pas de corrélations
significatives avec les autres régions.