RAD 6005 Lab 3 Commandes utiles à savoir en Mac Cmd + shift + 3 : Capture d écran (print screen) L image captée se retrouve alors sur votre bureau/desktop. Cmd + shift + 4 : Capture d écran manuelle; cela vous permet de sélectionner manuellement ce que vous voulez «photographier». Il faudrait savoir manipuler cette fonction lors de l examen. L image captée se retrouve aussi sur votre bureau/desktop. Si vous devez fermer un logiciel qui ne répond plus, cliquez sur la «pomme», et sélectionnez «Forcer à quitter, et sélectionnez le logiciel que vous voulez fermer. Définition : Convolution (n.f.) : Opération par laquelle deux fonctions sont mises dans un rapport suggérant une sorte d enroulement de l une sur l autre. N.B. : Le verbe «convoluer» n est pas un intitulé dans le dictionnaire mais on travaille fort pour qu il s y retrouve prochainement tellement qu on va peut-être l utiliser ici comme un verbe officiel. Normalisation Lors d une analyse IRMf, les données de chaque sujet vont être normalisées lors du début de l analyse de second niveau. Lors de la normalisation, toutes les images vont être modifiées selon un cerveau de référence, afin que les images de chacun se retrouvent dans un environnement identique standardisé. Mais qu est-ce que la normalisation? Pour comparer les effets d un sujet à l autre, il va être nécessaire de normaliser les cerveaux (i.e. appliquer des déformations nondestructives pour travailler dans un référentiel unique). On commence par normaliser
l anatomique sur un template (i.e. une image anatomique synthétique constituée de la moyenne de N cerveaux). En effet, cette normalisation va se faire avec un plus grand nombre de marqueurs que si l on avait utilisé une image fonctionnelle pauvre en détail. La normalisation de l anatomique va nous fournir les paramètres de normalisation optimaux qui seront utilisés pour transporter les images fonctionnelles dans le même espace. Du moindre en théorie. Il est possible d exécuter une normalisation sur des images fonctionnelles sans passer par l acquisition anatomique de ce même sujet. À l extérieur d une analyse IRMf standard, il est souvent impératif de procéder à une normalisation, soit afin de pouvoir regarder nos données avant la fin du traitement, soit pour réaligner nos images avec une image particulière, etc. Comme vous avez pu le constater depuis le début des laboratoires, il nous est impossible de regarder les données fonctionnelles d un sujet avec son acquisition anatomique parce que les deux acquisitions ne sont pas dans le même environnement avec les mêmes paramètres. Pour remédier à cette situation, on peut normaliser soit normaliser notre anatomique vers l image fonctionnelle, soit, normaliser l acquisition fonctionnelle pour la mettre dans l espace de l anatomique, ou encore normaliser l image anatomique et fonctionnelle pour les mettre dans un environnement de référence standardisé. Tout dépend de ce que l on veut effectuer avec nos données. Exécuter une normalisation avec la commande FLIRT Flirt [option] in <volume d entrée> ref <volume de référence> omat <matrice de sortie> Flirt [option] in <volume d entrée> ref <volume de référence> applyxfm init <matrice> out <volume de sortie> Comme vous pouvez le voir, il y a deux étapes. En premier lieu, il faut créer une matrice de sortie à l aide de notre fichier d entrée et du volume de référence. Cette matrice est le résultat des transformations que l on doit appliquer à notre volume d entrée afin de pouvoir le mettre dans l espace du volume de référence. Par la suite, lors de la deuxième étape, cette matrice sera appliquée sur le volume d entrée dans le but d obtenir notre image dans l espace de notre environnement de référence (i.e volume de sortie). Si nous n avons pas cette matrice, il nous est impossible d effectuer cette transformation.
Nous allons revenir à la notion de normalisation dans quelques instants. Dans un premier temps, nous allons effectuer le prétraitement ainsi que l analyse de premier niveau sur nos données d aujourd hui. Données : Protocole expérimental Dans cette étude, nous avons utilisé une tâche de mémoire de travail dans laquelle nous devions sélectionner six visages. L hypothèse de base était que si l on sélectionne les items un à la suite de l autre jusqu à temps que les six visages soient sélectionnés, des régions préfrontales ainsi que le noyau caudé devraient être sollicités. Par opposition, lorsqu une source externe fait la sélection pour le participant, mais que ce dernier doit tout de même faire le suivi des sélections, uniquement les régions préfrontales seraient actives. Nous avons 4 conditions : CONTROL (condition1), l ordinateur encadre un même visage et le participant doit sélectionner ce visage sans le chercher; RECOGNITION (condition2), Un visage est préalablement encadré par l ordinateur, mais par la suite, le sujet doit retrouver ce visage parmi les six visages et le sélectionner; EXTERNALLY-TRIGGERED (condition3), l ordinateur va encadrer un visage différent pour les cinq premiers essais, et le participant devra sélectionner ces visages. Par contre, le sujet devra sélectionner le 6e visage qui n a pas été préalablement encadré par l ordinateur; SELF-ORDERED (condition4), le sujet doit sélectionner les six visages, un après l autre, jusqu à temps qu il ait sélectionné tous les visage. Bien que nous avons 4 conditions, nous allons nous intéresser à seulement deux de celle-ci. Des données préliminaires ont montré que le cortex préfrontal dorsolatéral pourrait être impliqué dans le suivi d items en mémoire de travail. Considérant que nos deux tâches expérimentales impliquent le suivi d items en mémoire de travail, comment pourrons-nous considérer notre contraste d intérêt?
Maintenant, afin de simplifier les choses, nous serons intéressés à savoir si le cortex préfrontal dorsolatéral contribue au suivi SELF-ORDERED. Comment pourrions-nous vérifier cette hypothèse? J imagine que vous avez trouvé la réponse que l on cherchait, c est-à-dire d étudier le contraste impliquant la condition SELF-ORDERED par opposition à la condition CONTRÔLE. Maintenant, vous allez procéder à l analyse complète de premier niveau. N oubliez pas d effectuer toutes les étapes et n oubliez surtout pas les certaines subtilités dans chaque traitement : 1- Extraction du cerveau : Regardez le fichier de sortie pour savoir s il reste des régions IMPORTANTES ne faisant pas partie du cerveau. Effectuez l extraction avec une intensité fractionnelle de 0.65. Je vais vous le dire tout de suite : il va rester une petite partie de matière non-cérébrale dans la région ventrale au tronc cérébral. 2- Vérifiez les paramètres d acquisitions des scans fonctionnels pour vous familiariser avec ces derniers. 3- Enlevez des deux premiers volumes 4- Identifiez bien vos chemins pour vos fichiers de sortie 5- L acquisition est DESCENDANTE!!! 6- Effectuez uniquement le contraste demandé 7- Ne vous occupez pas de l onglet «Registration»; nous effectuerons la normalisation par commande manuelle.
Effectuez l analyse de premier niveau pour le SUJET_1-RUN_1, SUJET_1-RUN_2, SUJET_2- RUN_1 et SUJET_2-RUN_2. Est-ce que vous avez tout ce qu il vous faut??? Est-ce qu il vous manque des matrices de données pour le SUJET_2-RUN_2 par hasard? Et bien, vous allez devoir les créer vous-mêmes à partir du fichier-source. Pour se faire, vous allez devoir créer un fichier «texte» pour chaque condition pour la deuxième acquisition. Ouvrez le logiciel «textedit» que vous trouverez dans le dossier «Applications» de la barre d outils Mac (le dock). Une fois le logiciel ouvert, vous devez transformer le document en document «plain», afin qu il devienne un fichier uniquement «.txt». Afin d accomplir cette commande, cliquez sur le document textedit ouvert afin de le sélectionner, et par la suite, pressez sur les touches «cmd» + «shift» + «T» en même temps et vous verrez le document changer d apparence. Maintenant, ouvrez le fichier texte du run2 et copier les lignes correspondant à la condition 1 dans ce fichier. Par la suite, effacez le numéro indiquant la condition. Vous devriez avoir un fichier qui ressemble à ceci : 86.778 1.101 1 89.894 1.424 1 93.333 1.210 1 et ainsi de suite. Uns fois terminée, sauvez le fichier avec un nom qui fera du sens pour vous (disons suj02_run02.txt par exemple). Répétez l opération pour les trois autres conditions. Vous vous demandez peut-être pourquoi est-ce que je vous fait perdre votre temps à effectuer cette opération?! Et bien parce que vous allez devoir le faire plus tard, alors il faut apprendre. Maintenant, vous devriez pouvoir continuer vos analyses de premier niveau. Normalisation (suite)
Avant de continuer, on aimerait regarder nos données sur notre anatomique. Comme nous avons une carte statistique par acquisition, nous allons devoir les regarder une acquisition à la fois. Afin de pouvoir accomplir cette tâche, il va falloir normaliser notre image anatomique en fonction de notre image fonctionnelle désirée. Nous allons donc devoir exécuter les commandes vues plus haut. Dans un premier temps, on veut créer notre matrice de transformation : notre carte xfm : flirt -in votre_anatomique.nii.gz -ref votre_acquisition_fonctionnelle.nii.gz -omat votre_fichier_de_sortie_désirée.mat Par la suite, vous allez appliquer votre matrice nouvellement créée sur votre anatomique afin de le mettre dans l espace de votre acquisition : flirt -in votre_anatomique.nii.gz -ref votre_acquisition_fonctionnelle.nii.gz -applyxfm -init votre_matrice_préalablement_créée.mat -out votre_fichier_de_sortie.nii.gz Maintenant, vous devriez avoir une image de votre anatomique normalisée dans l espace de votre première acquisition. Répétez l opération pour chaque acquisition et chaque sujet. Analyse de second niveau : analyse intra-sujet Maintenant, nous allons «moyenner» nos images statistiques pour nos deux acquisitions de chaque sujet, c est-à-dire que nous allons les mettre ensemble afin de créer une seule image pour les deux acquisitions du même sujet. Premièrement, nous allons ouvrir «FEAT». Dans le haut de l écran, sélectionnez «Higher-level analysis» à la place de «First-level analysis». Avant de sélectionner nos données, il faut aller sous l onglet «Stats» et sélectionner «Fixed effects» à la place de «Mixed effects : Flame 1». Nous discuterons dans la raison pendant le laboratoire. Revenez sous l onglet «Data» et sous le nombre d entrées, choississez «2». Par la suite, cliquez sur «Select FEAT directories» et sélectionnez vos deux dossiers «feat» pour vos deux acquisitions. Indiquez le chemin de votre dossier de sortie. Cliquez sur l onglet «Stats» et «Full model setup». Ici, assurez-vous qu il apparaisse le chiffre «1» chacun de vos items de la
colonne EV1. Sous l onglet «Post-stats», choississez «None» sous l option «Thresholding». Prenez une bonne grande respiration et cliquez sur «GO». Répétez l opération pour votre deuxième sujet. Analyse de second niveau : analyse inter-sujet Maintenant, nous allons «moyenner» nos images statistiques pour nos deux sujets, c est-à-dire que nous allons les mettre ensemble afin de créer une seule image pour nos deux sujets. Premièrement, nous allons ouvrir «FEAT». Dans le haut de l écran, sélectionnez «Higher-level analysis» à la place de «First-level analysis». Avant de sélectionner nos données, il faut aller sous l onglet «Stats» et sélectionner «Fixed effects» à la place de «Mixed effects : Flame 1». Nous discuterons dans la raison pendant le laboratoire. Revenez sous l onglet «Data» et sous le nombre d entrées, choississez «2». Par la suite, cliquez sur «Select FEAT directories» et sélectionnez vos deux dossiers «cope1» que vous trouverez dans le dossier de sortie de l analyse précédante. Indiquez le chemin de votre dossier de sortie. Cliquez sur l onglet «Stats» et «Full model setup». Ici, assurez-vous qu il apparaisse le chiffre «1» chacun de vos items de la colonne EV1. Sous l onglet «Post-stats», choississez «Cluster» sous l option «Thresholding», et laissez les autres paramètres par défaut. Prenez une bonne grande respiration et cliquez sur «GO». Répétez l opération pour votre deuxième sujet. Anaylse complétée!!! Alors, est-ce que vous avez une augmentation significative de l activation aux coordonnées -36 38 20, soit une valeur de t=6.92?