L’IRM fonctionnelle à l’état de repos (R-fMRI) est une méthode relativement nouvelle et puissante pour évaluer les interactions régionales qui se produisent lorsqu’un sujet n’effectue pas de tâche explicite.
Les fluctuations BOLD à basse fréquence (<0,1 Hz) montrent souvent de fortes corrélations au repos, même dans des régions éloignées de la matière grise. Les fluctuations de l’activité neuronale spontanée sont présumées sous-tendre les fluctuations BOLD, bien que les mécanismes exacts à l’origine de ces fluctuations neuronales restent flous. Les modèles spatiaux des corrélations de l’IRM-R sont stables, en ce sens qu’ils sont similaires dans de multiples états de » repos « , tels que les yeux ouverts, les yeux fermés et la fixation, ainsi qu’entre les individus et les sessions. En raison de l’absence d’exigences de tâche, l’IRM-R décharge le design expérimental, la conformité du sujet et les exigences de formation, ce qui la rend attrayante pour les études du développement et des populations cliniques.
D’après les expériences menées chez le singe macaque, les corrélations de l’IRM-R chevauchent souvent les voies anatomiques connues, mais elles impliquent parfois des régions qui ne sont pas directement connectées. Par conséquent, la connectivité fonctionnelle (R-IRM) et la connectivité anatomique (tractographie) sont des mesures complémentaires mais apparentées qui, ensemble, fournissent une approche puissante pour analyser les circuits cérébraux.
De nombreuses études, dont plusieurs menées par des membres de notre consortium, démontrent que ces schémas spatiaux sont étroitement liés aux sous-systèmes neuronaux révélés par l’IRMf à activation de tâche (IRMT). Les régions qui sont coactivées avec une région germe dans différentes tâches ont tendance à être positivement corrélées avec la région germe au repos. Une carte construite à partir d’une seule graine présente un modèle spécifique de corrélation dans le cerveau. Par conséquent, cela suggère que même des graines relativement proches peuvent présenter des modèles de corrélation très différents. Ainsi, la disposition spatiale des corrélations provenant de différentes origines peut aider à la parcellation du cerveau. Les modèles spatiaux de corrélation peuvent également être utilisés pour créer des descriptions étendues, au niveau des systèmes/réseaux, des interactions fonctionnelles entre les régions du cerveau, qui peuvent être comparées aux descriptions de la connectivité anatomique et aux activations fonctionnelles provoquées par la tâche. L’un des principaux objectifs du HCP est de trouver la ou les combinaisons optimales de méthodes pour parcelliser les régions du cerveau et comprendre les relations entre elles. Cela implique l’optimisation de nombreux aspects de l’acquisition des données (durée du balayage, résolution spatiale, lissage spatial pendant le prétraitement) et de l’analyse des données (approches basées sur les graines et approches d’analyse en composantes indépendantes).