La parcellisation du cerveau en un certain nombre de régions hémodynamiques homogènes est toujours un défi majeur en analyse des données d’imagerie par résonance magnétique fonctionnelle (IRMf). Une inférence automatique pour les parcelles à partir des données d’IRMf a été proposée dans le cadre du modèle parcellisation détection estimation conjointe (joint parcellation detection estimation: JPDE). Toutefois, ce modèle requiert toujours des informations préalables sur le nombre de parcelles ainsi que leurs formes, généralement renseignées à partir d'une parcellisation initiale, ce qui constitue un défi car cela dépend généralement du sujet. Dans cette thèse, de nouvelles approches pour la parcellisation hémodynamique du cerveau sont présentées. Ces approches sont motivées par le fait que la réponse hémodynamique varie selon les régions du cerveau, les sujets, les différentes sessions pour chaque sujet ainsi que les groupes de sujets. Les approches proposées appartiennent à l’une des deux catégories suivantes : les modèles d’analyse de données d’IRMf au niveau d’un sujet et au niveau d’un groupe de sujets. Pour l’analyse de données d’IRMf au niveau d’un sujet, trois modèles pour estimer automatiquement le nombre optimal de parcelles ainsi que leurs formes (directement) à partir des données d’IRMF sont proposés. La première approches est élaborée comme une procédure de sélection de modèle ajoutée à la structure du modèle JPDE dans lequel l’énergie libre pour les modèles candidats est calculée, chacun avec un nombre différent de parcelles, puis celui qui maximise cette énergie est retenu. Afin de surmonter l’intensité du calcul associé à cette approche, une seconde méthode est proposée. Elle repose sur un modèle bayésien nonparamétrique dans lequel une combinaison d’un processus de Dirichlet et d’un champ aléatoire de Markov caché est utilisée pour permettre un nombre illimité de parcelles et enfin en estimer le nombre optimal. Enfin, pour éviter la complexité du calcul associé à l’estimation du paramètre d’interaction du champ de Markov dans la seconde méthode, un algorithme de clustering est utilisé (le mean shift). Il est intégré dans la structure du modèle JPDE afin de déduire automatiquement le nombre de parcelles en estimant les modes de la distribution multivariée sous-jacente. Les approches proposées au niveau du sujet sont validées à l’aide de données synthétiques et réelles. Les résultats d’analyse obtenus sont cohérents pour toutes en termes de détection de l’activité évoquée. De plus, la deuxième et la troisième approches parviennent à distinguer les profils de la réponse hémodynamique en fonction de différents critères tels que la largeur à mi-hauteur et le temps de montée. En ce qui concerne les analyses au niveau d’un groupe, deux modèles capables d’estimer la parcellisation ainsi que les profils de réponse hémodynamique sont proposés. Le modèle JPDE est modifié pour permettre l’estimation au niveau du groupe en considérant les données provenant de tous les sujets ce qui a abouti à un modèle multisujet d’estimation-détection de parcellation conjointe. Cependant, les essais sur des données réelles démontre que la régularité du FRH est sensible à l'un des hyperparameters. Par conséquent, le deuxième modèle qui effectue une analyse inter et intra sujet et qui fourni une estimation à la fois au niveau du sujet et au niveau du groupe est privilégié. Une comparaison approfondie entre les deux modèles est menée au niveau du groupe et les résultats sont cohérents. Au niveau du sujet, une comparaison est effectuée entre le modèle d’analyse inter et intra sujet proposé et le modèle JPDE. Cette comparaison démontre que les estimations du FRH utilisant le modèle proposé sont plus précises car plus proches de la forme canonique FRH dans le cortex moteur droit. L’estimation des variables inconnues, et des paramètres dans les approches proposées est traitée en utilisant une stratégie d’espérance-maximisation variationnelle. / Brain parcellation into a number of hemodynamically homogeneous regions (parcels) is a challenging issue in fMRI analyses. An automatic inference for the parcels from the fMRI data was proposed in the framework of the joint parcellation detection estimation (JPDE) model. However, this model still requires appropriate prior information about the number of parcels and their shapes provided through an initial parcellation, which is a challenging task since it generally depends on the subject. In this thesis, we present novel approaches for hemodynamic brain parcellation. These approaches are motivated by the fact that the hemodynamic response function varies across brain regions and sessions within subjects, and even among subjects and groups. The proposed approaches belong to one of two main categories, the subject-level and group-level fMRI data analysis models. For the subjectlevel fMRI data analysis, we propose three models to automatically estimate the optimum number of parcels and their shapes directly from fMRI data. The first one is formulated as a model selection procedure added to the framework of the classical JPDE model in which we compute the free energy for the candidate models, each with different number of parcels, and then select the one that maximizes this energy. To overcome the computational intensity associated with the first approach, we propose a second method which relies on a Bayesian non-parametric model where a combination of a Dirichlet process mixture model and a hidden Markov random field is used to allow for unlimited number of parcels and then estimate the optimal one. Finally to avoid the computational complexity associated with the estimation of the interaction parameter of the Markov field in the second approach, we make use of a well known clustering algorithm (the mean shift) and embed it in the framework of the JPDE model to automatically infer the number of parcels by estimating the modes of the underlying multivariate distribution. All the proposed subject-level approaches are validated using synthetic and real data. The obtained results are consistent across approaches in terms of the detection of the elicited activity. Moreover, the second and the third approaches manage to discriminate the hemodynamic response function profiles according to different criteria such as the full width at half maximum and the time to peak. Regarding the group-level fMRI analysis, we propose two new models that are able to estimate group-level parcellation and hemodynamic response function profiles. The JPDE model is extended to allow for this group-level estimation by considering data coming from all the subjects resulting in a multisubject joint parcellation detection estimation model. However, in real data experiment, it is noticed that the smoothness of the estimated HRFs is sensitive to one of the hyperparameters. Hence, we resort to the second model that performs inter and intra subject analysis providing estimation at both the single and group-levels. A thorough comparison is conducted between the two models at the group-level where the results are coherent. At the subject-level, a comparison is conducted between the proposed inter and intra subject analysis model and the JPDE one. This comparison indicates that the HRF estimates using our proposed model are more accurate as they are closer to the canonical HRF shape in the right motor cortex. Finally, the estimation of the unknown variables, the parameters and the hyperparameters in all of the proposed approaches is addressed from a Bayesian point of view using a variational expectation maximization strategy.

Comprendre comment différentes régions du cerveau interagissent afin d’exécuter une tâche, est un défi très complexe. La magnéto- et l’électroencéphalographie (MEEG) sont deux techniques non-invasive d’imagerie fonctionnelle utilisées pour mesurer avec une bonne résolution temporelle l’activité cérébrale. Estimer cette activité à partir des mesures MEEG est un problème mal posé. Il est donc crucial de le régulariser pour obtenir une solution unique. Il a été montré que l’homogénéité structurelle des régions corticales reflète leur homogénéité fonctionnelle. Un des buts principaux de ce travail est d’utiliser cette information structurelle pour définir des a priori permettant de contraindre de manière plus anatomique ce problème inverse de reconstruction de sources. L’imagerie par résonance magnétique de diffusion (IRMd) est, à ce jour, la seule technique non-invasive qui fournisse des informations sur l’organisation structurelle de la matière blanche. Cela justifie son utilisation pour contraindre notre problème inverse. Nous utilisons l’information fournie par l’IRMd de deux manière différentes pour reconstruire les activations du cerveau : (1) via une méthode spatiale qui utilise une parcellisation du cerveau pour contraindre l’activité des sources. Ces parcelles sont obtenues par un algorithme qui permet d’obtenir un ensemble optimal de régions structurellement homogènes pour une mesure de similarité donnée sur tout le cerveau. (2) dans une approche spatio-temporelle qui utilise les connexions anatomiques, calculées à partir des données d’IRMd, pour contraindre la dynamique des sources. Ces méthodes sont appliquée à des données synthétiques et réelles. / Understanding how brain regions interact to perform a given task is a very challenging task. Electroencephalography (EEG) and Magnetoencephalography (MEG) are two non-invasive functional imaging modalities used to record brain activity with high temporal resolution. As estimating brain activity from these measurements is an ill-posed problem. We thus must set a prior on the sources to obtain a unique solution. It has been shown in previous studies that structural homogeneity of brain regions reflect their functional homogeneity. One of the main goals of this work is to use this structural information to define priors to constrain more anatomically the MEG/EEG source reconstruction problem. This structural information is obtained using diffusion magnetic resonance imaging (dMRI), which is, as of today, the unique non-invasive structural imaging modality that provides an insight on the structural organization of white matter. This makes its use to constrain the EEG/MEG inverse problem justified. In our work, dMRI information is used to reconstruct brain activation in two ways: (1) In a spatial method which uses brain parcels to constrain the sources activity. These parcels are obtained by our whole brain parcellation algorithm which computes cortical regions with the most structural homogeneity with respect to a similarity measure. (2) In a spatio-temporal method that makes use of the anatomical connections computed from dMRI to constrain the sources’ dynamics. These different methods are validated using synthetic and real data.

The sensorimotor cortex is a brain region comprising the primary motor cortex (MI) and the primary somatosensory (SI) cortex. In humans, investigation into these regions suggests that MI and SI are involved in the modulation and control of motor and somatosensory processing, and are somatotopically organized according to a body plan (Penfield & Boldrey, 1937). Additional investigations into somatotopic mapping in relation to the limbs in the peripheral nervous system and SI in central nervous system have further born out the importance of this body-based organization (Wall & Dubner, 1972). Understanding the nature of the sensorimotor cortex‟s structure and function has broad implications not only for human development, but also motor learning (Taubert et al., 2011) and clinical applications in structural plasticity in Parkinson‟s disease (Sehm et al., 2014), among others. The aim of the present thesis is to identify functionally meaningful subregions within the sensorimotor cortex via parcellation analysis. Previously, cerebral subregions were identified in postmortem brains by invasive procedures based on histological features (Brodmann, 1909; Vogt. & Vogt., 1919; Economo, 1926; Sanides, 1970). One widely used atlas is based on Brodmann areas (BA). Brodmann divided human brains into several areas based on the visually inspected cytoarchitecture of the cortex as seen under a microscope (Brodmann, 1909). In this atlas, BA 4, BA 3, BA 1 and BA 2 together constitute the sensorimotor cortex (Vogt. & Vogt., 1919; Geyer et al., 1999; Geyer et al., 2000). However, BAs are incapable of delineating the somatotopic detail reflected in other research (Blankenburg et al., 2003). And, although invasive approaches have proven reliable in the discovery of functional parcellation in the past, such approaches are marked by their irreversibility which, according to ethical standards, makes them unsuitable for scientific inquiry. Therefore, it is necessary to develop non-invasive approaches to parcellate functional brain regions. In the present study, a non-invasive and task-free approach to parcellate the sensorimotor cortex with resting-state fMRI was developed. This approach used functional connectivity patterns of brain areas in order to delineate functional subregions as connectivity-based parcellations (Wig et al., 2014). We selected two adjacent BAs (BA 3 and BA 4) from a standard template to cover the area along the central sulcus (Eickhoff et al., 2005). Then subregions within this area were generated using resting-state fMRI data. These subregions were organized somatotopically from medial-dorsal to ventral-lateral (corresponding roughly to the face, hand and foot regions, respectively) by comparing them with the activity maps obtained by using independent motor tasks. Interestingly, resting-state parcellation map demonstrated higher correspondence to the task-based divisions after individuals had performed motor tasks. We also observed higher functional correlations between the hand area and the foot and tongue area, respectively, than between the foot and tongue regions. The functional relevance of those subregions indicates the feasibility of a wide range of potential applications to brain mapping (Nebel et al., 2014). In sum, the present thesis provides an investigation of functional network, functional structure, and properties of the sensorimotor cortex by state-of-art neuroimaging technology. The methodology and the results of the thesis hope to carry on the future research of the sensorimotor system.

Le cerveau humain est constitué d'un grand nombre de neurones inter-connectés formant des faisceaux de fibres de matière blanche permettant de transmettre des influx nerveux entre différentes régions. Dans cette thèse, divers aspects de la connectivité anatomique cérébrale ont été étudiés en utilisant l'Imagerie par Résonance Magnétique (IRM) et la tractographie. La tractographie est aujourd'hui la seule méthode permettant de reconstruire, en partie, les faisceaux de fibres de matière blanche in vivo et de manière non-invasive. (1) Une première étude visait à caractériser de manière quantitative les faisceaux d'association courts fronto-pariétaux reconstruits par tractographie dans la région centrale chez vingt sujets sains. (2) Une deuxième étude visait à définir une nouvelle méthode de parcellisation (i.e., subdiviser le cerveau en différentes régions macroscopiques) en utilisant comme critère structurel de base des motifs de connectivité reconstruits par tractographie. (3) Enfin, une troisième étude avait pour objectif de créer une ontologie neuroanatomique afin de représenter des régions de matière grise macroscopiques connectées par des faisceaux de fibres reconstruits par tractographie et d'annoter automatiquement des données de la connectomique humaine. L'utilisation de raisonneurs DL (Description Logic) usuels permettait de générer automatiquement des inférences relatives aux relations partie-tout, de connectivité ou enfin de voisinage spatial. / Human brain contains a great number of neurons interconnected forming white matter fiber bundles that can transmit information between different regions. In this thesis, different aspects of anatomical connectivity were studied using Magnetic Resonance Imaging (MRI) and tractography. Tractography is currently the only tool that allow to reconstruct white matter fiber bundles in the living human brain and in a non invasive way. (1) A first study aimed to characterize quantitatively the white matter fiber bundles reconstructed by tractography between the precentral and postcentral gyri in twenty healthy subjects. (2) A second study aimed to define a new parcellation scheme (i.e., subdivide the brain into different macroscopic regions) using connectivity patterns reconstructed by tractography as the main structural criteria. (3) Lastly, a third study aimed to create a new ontology in order to represent gray matter regions connected by white matter fiber bundles reconstructed by tractography and to annotate automatically connectomics datasets. The use of common DL (Description Logic) reasoners allowed to infer automatically some new axioms concerning especially part-whole, connectivity or spatial relationships.

La magnéto-encéphalographie (MEG) mesure l´activité cérébrale avec un excellent décours temporel mais sa localisation sur la surface corticale souffre d´une mauvaise résolution spatiale. Le problème inverse MEG est dit mal-posé et doit de ce fait être régularisé. La parcellisation du cortex en régions de spécificité fonctionnelle proche constitue une régularisation spatiale pertinente du problème inverse MEG. Nous proposons une méthode de parcellisation du cortex entier à partir de la connectivité anatomique cartographiée par imagerie de diffusion. Au sein de chaque aire d´une préparcellisation, la matrice de corrélation entre les profils de connectivité des sources est partitionnée. La parcellisation obtenue est alors mise à jour en testant la similarité des données de diffusion de part et d´autre des frontières de la préparcellisation. C´est à partir de ce résultat que nous contraignons spatialement le problème inverse MEG. Dans ce contexte, deux méthodes sont développées. La première consiste à partitionner l´espace des sources au regard de la parcellisation. L´activité corticale est alors obtenue sur un ensemble de parcelles. Afin de ne pas forcer les sources à avoir exactement la même intensité au sein d´une parcelle, nous développons une méthode alternative introduisant un nouveau terme de régularisation qui, lorsqu´il est minimisé, tend à ce que les sources d´une même parcelle aient des valeurs de reconstruction proches. Nos méthodes de reconstruction sont testées et validées sur des données simulées et réelles. Une application clinique dans le cadre du traitement de données de sujets épileptiques est également réalisée. / Magnetoencephalography (MEG) is a functional non-invasive modality which provides information on the temporal succession of cognitive processes with an excellent time resolution. Unfortunately, spatial resolution is limited due to the ill-posed nature of the MEG inverse problem for estimating source currents from the electromagnetic measurement. Cortex parcellation into regions sharing functional features constitutes a relevant spatial regularization. We propose a whole cortex parcellation method based on the anatomical connectivity mapped by diffusion MRI. Inside areas of a preparcellation, the correlation matrix between connectivity profiles is clustered. The cortex parcellation is then updated testing the similarity of diffusion data on both sides of pre-parcellation boundaries. MEG inverse problem is constrained from this result. Two methods have been developed. The first one is based on the subdivision of source space regarding the parcellation. The cortical activity is obtained on a set of parcels and its analysis is simplified. Not to force sources to have exactly the same value inside a cortical area, we develop an alternative method. We introduce a new regularization term in the MEG inverse problem which constrain sources in a same region to have close values. Our methods are applied on simulated and real subjects. Clinical application is also performed on epileptic data. Each contribution takes part of a pipeline whose each step is detailed to make our works reproducible.

The human cerebral cortex is a highly foliated structure that supports the complex cognitive abilities of humans. The cortex is divided by its cytoarchitectural characteristics that can be approximated by the folding pattern of the cortex. Psychiatric and neurological diseases, such as Huntington's disease or schizophrenias, are often related with structural changes in the cerebral cortex. Detecting structural changes in different regions of cerebral cortex can provide insight into disease biology, progression and response to treatment. The delineation of anatomical regions on the cerebral cortex is time intensive if performed manually, therefore automated methods are needed to perform this delineation. Magnetic Resonance Imaging (MRI) is commonly used to explore the structural change in patients with psychiatric and neurological diseases. This dissertation proposes a fast and reliable method to automatically parcellate the cortical surface generated from MR images. A fully automated pipeline has been built to process MR images and generate cortical surfaces associated with parcellation labels. First, genus zero cortical surfaces for each hemisphere of a subject are generated from MR images. The surface is generated at the parametric boundary between gray matter and white matter. Geometry features are calculated for each cortical surface to as scalar values to drive a multi-resolution spherical registration that can align two cortical surfaces together in the spherical domain. Then, the labels on a subject's cortical surface are evaluated by registering a subject's cortical surface with a population atlas and combining the information of prior probabilities on the atlas with the subject's geometry features. The automated parcellation has been tested on a group of subjects with various cerebral cortex structures. It shows that the proposed method is fast (takes about 3 hours to parcellate at one hemisphere) and accurate (with the weighted average Dice ~0.86). The framework of this dissertation will be as follows: the first chapter is about the introduction, including motivation, background, and significance of the study. The second chapter describes the whole pipeline of the automated surface parcellation and focuses on technical details of every method used in the pipeline. The third chapter presents results achieved in this study and the fourth chapter discusses the results and draws a conclusion.

The sensorimotor cortex is a brain region comprising the primary motor cortex (MI) and the primary somatosensory (SI) cortex. In humans, investigation into these regions suggests that MI and SI are involved in the modulation and control of motor and somatosensory processing, and are somatotopically organized according to a body plan (Penfield & Boldrey, 1937). Additional investigations into somatotopic mapping in relation to the limbs in the peripheral nervous system and SI in central nervous system have further born out the importance of this body-based organization (Wall & Dubner, 1972). Understanding the nature of the sensorimotor cortex‟s structure and function has broad implications not only for human development, but also motor learning (Taubert et al., 2011) and clinical applications in structural plasticity in Parkinson‟s disease (Sehm et al., 2014), among others. The aim of the present thesis is to identify functionally meaningful subregions within the sensorimotor cortex via parcellation analysis. Previously, cerebral subregions were identified in postmortem brains by invasive procedures based on histological features (Brodmann, 1909; Vogt. & Vogt., 1919; Economo, 1926; Sanides, 1970). One widely used atlas is based on Brodmann areas (BA). Brodmann divided human brains into several areas based on the visually inspected cytoarchitecture of the cortex as seen under a microscope (Brodmann, 1909). In this atlas, BA 4, BA 3, BA 1 and BA 2 together constitute the sensorimotor cortex (Vogt. & Vogt., 1919; Geyer et al., 1999; Geyer et al., 2000). However, BAs are incapable of delineating the somatotopic detail reflected in other research (Blankenburg et al., 2003). And, although invasive approaches have proven reliable in the discovery of functional parcellation in the past, such approaches are marked by their irreversibility which, according to ethical standards, makes them unsuitable for scientific inquiry. Therefore, it is necessary to develop non-invasive approaches to parcellate functional brain regions. In the present study, a non-invasive and task-free approach to parcellate the sensorimotor cortex with resting-state fMRI was developed. This approach used functional connectivity patterns of brain areas in order to delineate functional subregions as connectivity-based parcellations (Wig et al., 2014). We selected two adjacent BAs (BA 3 and BA 4) from a standard template to cover the area along the central sulcus (Eickhoff et al., 2005). Then subregions within this area were generated using resting-state fMRI data. These subregions were organized somatotopically from medial-dorsal to ventral-lateral (corresponding roughly to the face, hand and foot regions, respectively) by comparing them with the activity maps obtained by using independent motor tasks. Interestingly, resting-state parcellation map demonstrated higher correspondence to the task-based divisions after individuals had performed motor tasks. We also observed higher functional correlations between the hand area and the foot and tongue area, respectively, than between the foot and tongue regions. The functional relevance of those subregions indicates the feasibility of a wide range of potential applications to brain mapping (Nebel et al., 2014). In sum, the present thesis provides an investigation of functional network, functional structure, and properties of the sensorimotor cortex by state-of-art neuroimaging technology. The methodology and the results of the thesis hope to carry on the future research of the sensorimotor system.

La parcellisation du cerveau humain en aires fonctionnelles est un problème complexe mais majeur pour la compréhension du fonctionnement du cerveau et pourrait avoir des applications médicales importantes en neurochirurgie par exemple pour mieux identifier les zones fonctionnelles à sauvegarder. Cet objectif va de pair avec l’idée de construire le connectome cérébral humain, qui n’est autre que le réseau de ses connexions.Pour définir un tel réseau, il faut en effet définir les éléments de ce réseau de connexions : c’est-à-dire avoir un découpage du cerveau en régions. Il existe de multiples manières et critères pour identifier ces régions et à ce jour il n’y a pas de parcellisation universelle du cortex. Dans cette thèse nous étudierons la possibilité d’effectuer cette parcellisation en fonction des données de connectivité anatomique, issues de l’imagerie par résonance magnétique de diffusion, qui est une technique d’acquisition permettant de reconstruire les faisceaux de neurones cérébraux de manière non invasive. Nous nous placerons dans un cadre surfacique en étudiant seulement la surface corticale et les connexions anatomiques sous-jacentes. Dans ce contexte nous présenterons un ensemble de nouveaux outils pour construire, visualiser et simuler le connectome cérébral humain, dans un cadre surfacique et à partir des données de connectivité anatomique reconstruites par IRM, et ceci pour un groupe de sujets. A partir de ces outils nous présenterons des méthodes de réduction de dimension des données de connectivité, que nous appliquerons pour parcelliser le cortex entier de quelques sujets. Nous proposons aussi une nouvelle manière de décomposer les données de connectivité au niveau d’un groupe de sujets en tenant compte de la variabilité inter-individuelle. Cette méthode sera testée et comparée à d’autres méthodes sur des données simulées et des données réelles. Les enjeux de ce travail sont multiples, tant au niveau méthodologique (comparaison de différents algorithmes de tractographie par exemple) que clinique (étude du lien entre altérations des connexions et pathologie). / In-vivo parcellation of the human cortex into functional brain areas is a major goal to better understand how the brain works and could have a lot of medical applications and give useful information to guide neurosurgery for example. This objective is related to the buildong of the human brain connectome, which is the networks of brain connections.Indeed, it is necessary to define the basic element of this connectome, and for doing this to have a subdivision of the cortex into brain regions. Actually, there is no such gold standard parcellation : there are a lot of techniques and methods to achieve this goal. During this PhD., anatomical connectivité based on diffusion-weighted imaging hase been used to address this problem, with a surfacic approach. In this context, we will present a set of new tools to create, visualize and simulate the human brain connectome for a group of subjects. We will introduce dimension reduction methods to compile the cortical connectivity profiles taking into account the interindividual variability. These methods will be apply to parcellate the cortex, for one subject or for a group of subjects simultaneously.There are many applications of this work, in methodology, to compare tractography algorithms for example or in clinical, to look at the relations between connections damages and pathology.

Der menschliche inferiore Parietallappen (IPC) gehört zum Assoziationskortex und spielt eine wichtige Rolle bei der Integration von somatosensorischen (taktilen), visuellen und akustischen Reizen. Bisher gibt es keine eindeutigen Informationen über den strukturellen Aufbau dieser Hirnregion. Parzellierungen anhand der Zytoarchitektur reichen von zwei (Brodmann 1909) bis sieben Subareale (Caspers et al. 2006). Homologien zwischen dem IPC des Menschen und Makaken-Affen sind weitestgehend unbekannt. In der vorliegenden Arbeit wurden der Aufbau und die Konnektivitäten des menschlichen IPC genauer untersucht. Dazu führte man eine konnektivitätsbasierte Parzellierung des IPC an 20 Probanden durch. Als Methode kam Diffusions-Tensor-Imaging (DTI) kombiniert mit probabilistischer Traktogra-phie zum Einsatz. Der IPC konnte anhand der Konnektivitäten in drei Subareale (IPCa, IPCm, IPCp) parzelliert werden. Diese besitzen in beiden Hemisphären eine ähnliche Größe und eine rostro-kaudale Anordnung. Die Parzellierung ist vergleichbar mit der des Makaken-IPC, bei dem ebenfalls eine Unterteilung in drei Areale (PF, PFG, PG) und eine rostro-kaudale Anordnung nachgewiesen werden konnte. Jedes Subareal des menschlichen IPC besitzt ein individuelles Konnektivitätsmuster. Beim Menschen als auch beim Makaken gibt es starke Verbindungen zum lateralen prämotorischen Kortex und zum superioren Parietallappen. Diese Gemeinsamkeiten lassen darauf schließen, dass strukturelle Eigenschaften im Laufe der Evolution erhalten geblieben sind. Allerdings sind beim Menschen auch Neuentwicklungen nachweisbar. Dazu gehören die deutlich hervortretenden Verbindungen zum Temporallappen. Möglicherweise haben sich diese erst während der Evolution entwickelt und sind beim Menschen als Teil des perisylvischen Sprachnetzwerkes an der Sprachbildung beteiligt. / The human inferior parietal cortex convexity (IPCC) is an important association area, which integrates auditory, visual and somatosensory information. However, the structural organization of the IPCC is a controversial issue. For example, cytoarchitectonic parcellations reported in the literature range from two to seven areas. Moreover, anatomical descriptions of the human IPCC are often based on experiments in the macaque monkey. In this study we used diffusion-weighted magnetic resonance imaging (dMRI) combined with probabilistic tractography to quantify the connectivity of the human IPCC, and used this information to parcellate this cortex area. This provides a new structural map of the human IPCC, comprising three sub-areas (IPCa, IPCm, IPCp) of comparable size, in a rostro-caudal arrangement in the left and right hemisphere. Each sub-area is characterized by a connectivity fingerprint and the parcellation is similar to the subdivision reported for the macaque IPCC (rostro-caudal areas areas PF, PFG, and PG). However, the present study also reliably demonstrates new structural features in the connectivity pattern of the human IPCC, which are not known to exist in the macaque. This study quantifies inter-subject variability by providing a population representation of the sub-area arrangement, and demonstrates substantial lateralization of the connectivity patterns of IPCC.

京都大学 / 0048 / 新制・課程博士 / 博士(医学) / 甲第18872号 / 医博第3983号 / 新制||医||1008(附属図書館) / 31823 / 京都大学大学院医学研究科医学専攻 / (主査)教授 河野 憲二, 教授 古川 壽亮, 教授 髙橋 良輔 / 学位規則第4条第1項該当 / Doctor of Medical Science / Kyoto University / DGAM