Intégration de l'imagerie par résonance magnétique fonctionnelle (IRMf) à la tractographie pour cartographier les réseaux corticaux impliqués dans la dénomination d'images
Bibliographic record
Abstract
Il est de plus en plus communément admis que la plupart des fonctions cognitives chez l’humain sont organisées sous forme de réseaux cérébraux distribués plutôt que strictement sous forme de modules anatomiques ségrégués et localisés. Parmi ces fonctions cognitives, nos capacités à nommer des objets ou à formuler des idées sont fondamentales dans la communication verbale et une perturbation de ces capacités peut mener à des limitations significatives au quotidien (ex. manque de fluidité, discours vide de sens, paraphasies et difficultés à se faire comprendre). La combinaison multimodale des données en imagerie par résonance magnétique (IRM) est une façon d’étudier ces réseaux cérébraux. Elle permet d’investiguer simultanément plusieurs pans de l’architecture neurobiologique qui forme ces réseaux cérébraux (ex. les dynamiques fonctionnelles qu’entretiennent les différentes aires cérébrales et leurs connexions anatomiques sous-jacentes). L’intégration de l’IRM fonctionnelle (IRMf) pour guider la tractographie représente une combinaison multimodale pertinente pour étudier le réseau fonctionnel (aires cérébrales) et structurel (fibre de matière blanche) qui permet la dénomination d’images chez l’humain. Néanmoins, la combinaison de ces modalités est complexe et il n’existe à ce jour aucune documentation strictement dédiée à l’intégration l’IRMf pour guider la tractographie (ex. procédurier, bonnes pratiques, etc.). Le premier objectif de cette thèse consistait donc à effectuer une synthèse intégrative des aspects méthodologiques associés à l’intégration de l’IRMf pour guider la tractographie via une étude de la portée (article/étude #1). Nos résultats sont organisés en 19 constats qui concernent les défis méthodologiques associés à cette méthode de combinaison multimodale. Nous y proposons également des recommandations, des pistes de solution et avons identifié des lacunes dans les connaissances associées à cette méthodologie. Le second objectif de cette thèse visait à cartographier le réseau cérébral impliqué dans la dénomination d’images en intégrant l’IRMf pour guider la tractographie auprès de jeunes adultes en santé (article/étude #2). En appliquant les connaissances de l’article/étude #1 dans le cadre d’une étude empirique, nous avons pu proposer un modèle neurocognitif de la dénomination d’images. Dans ce modèle, nous validons la présence d’une voie ventrale et dorsale du traitement de l’information. Les résultats suggèrent aussi que les parties postérieures du cortex inférotemporal et du gyrus temporal supérieur peuvent servir d’interface entre ces deux voies du traitement de l’information. Cette étude appuie également la suggestion d'une voie ventrale indirecte qui transige par le lobe temporal antérieur. Finalement, cette thèse propose un outil fort utile pour les chercheurs qui désirent utiliser cette méthode intégrative, avancer les connaissances ou encore développer de nouveaux outils méthodologiques. Grâce à a l’intégration de l’IRMf pour guider la tractographie et la triangulation des données issues d’autres méthodes, cette thèse offre une analyse détaillée des processus cognitifs et des bases neurobiologiques impliqués dans la dénomination d’images. Il s’agit encore ici d’un outil très pertinent pour tous les cliniciens qui ont recours à la dénomination d’images dans le cadre de leur pratique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".