Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

IRM de diffusion

Objectifs

Ce cours a pour but de vous initier aux principes de l’imagerie par résonance magnétique de diffusion (IRMd). L’IRMd est une modalité de neuroimagerie qui nous permet d’étudier les fibres de matière blanche. Nous allons donc pouvoir examiner les connexions entre différentes régions, autant interhémisphériques (i.e., fibres de matière blanche voyageant d’un hémisphère à l’autre), qu’intrahémisphériques (i.e., fibres de matière blanche voyageant au sein d’un même hémisphère). Pour vous faire une idée concrète de ce à quoi ressemblent les fibres de matière blanche, vous pouvez regarder cette vidéo présentant des dissections cérébrales, tirée du cours de neuroanatomie fonctionnelle de l’Université de la Colombie-Britannique (UBC).

Pendant ce cours, nous allons aborder :

Principes physiques et physiologiques

Diffusion de l’eau

Illustration de la diffusion d’une goutte d’encre dans un verre d’eau. Image par Narudon Atsawalarpsakun disponible sur shutterstock ID 736860766, utilisée sous licence shutterstock standard.

Figure 1:Illustration de la diffusion d’une goutte d’encre dans un verre d’eau. Image par Narudon Atsawalarpsakun disponible sur shutterstock ID 736860766, utilisée sous licence shutterstock standard.

En IRM de diffusion, nous nous intéressons à la manière dont l’eau diffuse dans le cerveau. En examinant comment l’eau se diffuse, nous pouvons apprendre des informations sur le milieu de diffusion, dans notre cas, le cerveau ! Plus précisément, l’IRMd nous permet d’en apprendre davantage sur les propriétés de la microstructure des fibres de matière blanche. Pour un exemple concret de diffusion, nous pouvons imaginer ce qui se passe lorsque nous laissons tomber une goutte d’encre dans un verre d’eau, illustrée en Figure 1. L’encre va au cours du temps se diffuser dans l’eau, colorant l’eau petit à petit, jusqu’à ce qu’elle devienne colorée de manière homogène. Les molécules d’eau et d’encre entrent en collision dans des directions aléatoires, et suivent un processus de marche aléatoire appelé mouvement Brownien, voir Figure 2.

Source
Illustration de mouvement Brownien d’une molécule. Le point de départ est indiqué par un cercle rouge. Les trajectoires de couleurs correspondent à des marches aléatoires simulées suivant un mouvement Brownien. Les points bleus indiquent le point d’arrivée de chaque marche. Figure générée à l’aide de code Python par L. Bellec, sous licence CC-BY 4.0.  Le code de simulation de mouvement Brownien est adapté du Scipy Cookbook sous une licence proche de MIT.

Figure 2:Illustration de mouvement Brownien d’une molécule. Le point de départ est indiqué par un cercle rouge. Les trajectoires de couleurs correspondent à des marches aléatoires simulées suivant un mouvement Brownien. Les points bleus indiquent le point d’arrivée de chaque marche. Figure générée à l’aide de code Python par L. Bellec, sous licence CC-BY 4.0. Le code de simulation de mouvement Brownien est adapté du Scipy Cookbook sous une licence proche de MIT.

Diffusion isotrope et anisotrope

Source
Diffusion isotrope vs anisotrope. Chaque rond bleu représente le point d’arrivée d’une molécule d’eau selon une simulation de marche aléatoire avec un processus Brownien en 3D. Sur le graphe de gauche, la vitesse de diffusion des molécules d’eau est identique dans toutes les directions. Sur les graphes du milieu et de droite, la vitesse de diffusion est supérieure selon l’axe x que selon y et z. Figure générée à l’aide de code Python par L. Bellec, sous licence CC-BY 4.0.

Figure 3:Diffusion isotrope vs anisotrope. Chaque rond bleu représente le point d’arrivée d’une molécule d’eau selon une simulation de marche aléatoire avec un processus Brownien en 3D. Sur le graphe de gauche, la vitesse de diffusion des molécules d’eau est identique dans toutes les directions. Sur les graphes du milieu et de droite, la vitesse de diffusion est supérieure selon l’axe x que selon y et z. Figure générée à l’aide de code Python par L. Bellec, sous licence CC-BY 4.0.

Le déplacement des molécules d’eau dans un milieu suit un mouvement Brownien. Si le milieu a des caractéristiques similaires dans toutes les directions, on parle de milieu isotrope. Le graphe de gauche de la Figure 3 représente l’ensemble des points d’arrivée de marches aléatoires dans un tel milieu isotrope. On remarque que les molécules se répartissent approximativement dans une sphère. Que se passe-t-il si la diffusion est plus rapide dans une direction donnée, par exemple l’axe x? On parle alors de milieu anisotrope. Sur le graphe du milieu, on voit que la forme remplie par les molécules s’allonge, et ressemble plus à un ballon de rugby qu’à une sphère (ou, en termes mathématiques, un ellipsoïde). Plus la différence de vitesse de diffusion sur x grandit par rapport aux directions y et z, et plus la forme s’allonge (graphe de droite).

Diffusion et fibres de matière blanche

Dissection cérébrale illustrant l’organisation de la matière blanche cérébrale en faisceaux de fibres. Bas droite: schéma illustrant la diffusion de l’eau contrainte par les fibres. Le point rouge correspond à l’origine de marches aléatoires, dont les terminaisons sont indiquées par les points bleus. Images de cerveau tirées de , sous licence CC-BY 4.0. Le reste de la figure par L. Bellec, sous licence CC-BY 4.0, inspirée par la thèse de C. Poupon, 1999.

Figure 4:Dissection cérébrale illustrant l’organisation de la matière blanche cérébrale en faisceaux de fibres. Bas droite: schéma illustrant la diffusion de l’eau contrainte par les fibres. Le point rouge correspond à l’origine de marches aléatoires, dont les terminaisons sont indiquées par les points bleus. Images de cerveau tirées de Bakhit et al., 2020, sous licence CC-BY 4.0. Le reste de la figure par L. Bellec, sous licence CC-BY 4.0, inspirée par la thèse de C. Poupon, 1999.

Les axones des neurones viennent contraindre la diffusion de l’eau, les molécules d’eau ne peuvent donc pas se déplacer librement dans toutes les directions. Le profil de diffusion des molécules d’eau suit alors une forme anisotrope, comme on vient de le voir en Figure 3. L’eau diffuse plus facilement dans la direction parallèle aux fibres. La diffusion est donc anisotrope et le coefficient de diffusion sera alors plus élevé dans cette direction parallèle, voir Figure 4. Alors, en sachant comment diffuse l’eau, nous pouvons inférer l’orientation des axones. Le phénomène de diffusion dépend de la structure du tissu! C’est le principe physiologique à l’origine des mesures en IRMd.

Il faut toutefois garder les échelles en tête. Pendant la durée d’une mesure (quelques dizaines de millisecondes), une molécule d’eau ne se déplace que d’une dizaine de micromètres environ, alors qu’un voxel d’IRMd mesure typiquement 2 mm de côté. Chaque voxel contient donc un nombre énorme d’axones, et l’IRMd ne voit jamais un axone individuel : elle mesure la diffusion moyenne de l’eau dans le voxel, qui reflète l’orientation dominante des fibres qui le traversent.

Acquisition IRMd

Source
Volumes IRM pondérés en diffusion. Chaque coupe axiale représente un volume T_2 pondéré en diffusion pour une direction différente. Figure générée à l’aide de code Python par L. Bellec, sous licence CC-BY 4.0. Le code est adapté d’un tutoriel de la librairie Dipy, distribuée sous licence BSD 3-Clause.

Figure 5:Volumes IRM pondérés en diffusion. Chaque coupe axiale représente un volume T2T_2 pondéré en diffusion pour une direction différente. Figure générée à l’aide de code Python par L. Bellec, sous licence CC-BY 4.0. Le code est adapté d’un tutoriel de la librairie Dipy, distribuée sous licence BSD 3-Clause.

En IRM de diffusion, nous allons prendre des images selon plusieurs orientations de gradients. Ce sont des images pondérées en T2T_2, avec une pondération additionnelle correspondant à la diffusion de l’eau dans la direction du gradient appliqué. Pour un voxel donné, nous allons prendre des mesures dans différentes directions de gradients, qui vont nous dire si l’eau a beaucoup diffusé dans cette direction là, un peu comme les points bleus de la Figure 4. Pour un volume IRMd, la valeur en un voxel nous dit si le point bleu est loin ou pas du point rouge, pour une direction que l’on a sélectionnée, voir Figure 5.

Attention au sens de cette relation : plus l’eau diffuse dans la direction du gradient, plus le signal est atténué, et plus le voxel apparaît sombre. C’est pourquoi le liquide céphalo-rachidien, où l’eau diffuse librement dans toutes les directions, est sombre sur toutes les images pondérées en diffusion. Pour mesurer cette atténuation, on acquiert aussi au moins une image de référence sans pondération en diffusion (dite image b=0b=0), à laquelle on compare chaque image pondérée.

Tenseur de diffusion

Le modèle du tenseur

La diffusion des molécules d’eau au cours du temps peut se visualiser comme un nuage de points. À cause des contraintes de l’environnement, notamment les axones, ce nuage prend la forme d’un ballon de rugby (haut, gauche). La forme du nuage peut être approximée avec un modèle de tenseur (bas à gauche). Les paramètres principaux de ce modèle sont les directions principales de diffusion e_1, e_2, e_3, ainsi que les valeurs de diffusion associées à ces directions \lambda_1 \geq \lambda_2 \geq \lambda_3. Figure par L. Bellec sous licence CC-BY 4.0, inspirée par M. Descoteaux et C. Poupon.

Figure 6:La diffusion des molécules d’eau au cours du temps peut se visualiser comme un nuage de points. À cause des contraintes de l’environnement, notamment les axones, ce nuage prend la forme d’un ballon de rugby (haut, gauche). La forme du nuage peut être approximée avec un modèle de tenseur (bas à gauche). Les paramètres principaux de ce modèle sont les directions principales de diffusion e1e_1, e2e_2, e3e_3, ainsi que les valeurs de diffusion associées à ces directions λ1≥λ2≥λ3\lambda_1 \geq \lambda_2 \geq \lambda_3. Figure par L. Bellec sous licence CC-BY 4.0, inspirée par M. Descoteaux et C. Poupon.

À partir des simulations ci-dessus, il est intuitif d’imaginer la diffusion de l’eau comme un ballon, plus ou moins allongé. Mathématiquement, cela se formule avec un tenseur de diffusion, ou modèle Gaussien, voir Figure 6. Pour estimer la forme du ballon dans chaque voxel, nous utilisons les différentes valeurs de diffusion obtenues pour chaque direction d’acquisition. Si la diffusion est plus grande selon une certaine direction, notre ballon ressemblera plutôt à un ballon de rugby. Si la diffusion est semblable dans toutes les directions d’acquisition, nous obtiendrons plutôt un ballon de soccer.

Imagerie par tenseurs de diffusion

Source
Tenseurs de diffusion estimés sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). La couleur de chaque tenseur code pour la direction principale de diffusion, et sa luminosité pour l’anisotropie fractionnelle (voir plus bas). Les tenseurs les plus brillants sont fortement anisotropes, c’est-à-dire que la direction principale de diffusion est nettement plus forte que les directions transverses. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

Figure 7:Tenseurs de diffusion estimés sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). La couleur de chaque tenseur code pour la direction principale de diffusion, et sa luminosité pour l’anisotropie fractionnelle (voir plus bas). Les tenseurs les plus brillants sont fortement anisotropes, c’est-à-dire que la direction principale de diffusion est nettement plus forte que les directions transverses. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

L’imagerie par tenseurs de diffusion (diffusion tensor imaging, DTI) est l’une des premières techniques d’analyse qui a vu le jour en IRM de diffusion. Pour estimer la forme de notre ballon, nous avons besoin d’au moins six directions de gradient différentes, en plus de l’image de référence b=0b=0. La raison est mathématique : un tenseur est décrit par six paramètres inconnus (trois pour l’orientation du ballon dans l’espace, trois pour sa longueur selon chacun de ses axes), et chaque direction de gradient fournit une mesure. C’est en combinant ces images que nous pouvons estimer notre tenseur de diffusion (notre ballon). Comme nous avons ces mesures pour chacun des voxels, nous pouvons créer un volume cérébral où la valeur de chaque voxel est un tenseur (ballon), voir Figure 7.

Caractéristiques des tenseurs

Source
Cartes dérivées de tenseurs en IRM de diffusion: anisotropie fractionnelle (gauche), diffusivité moyenne (milieu) et direction principale du tenseur (droite). Pour la direction principale, l’axe gauche-droite (x) est codé en rouge, l’axe antérieur-postérieur (y) est codé en vert, et l’axe inférieur-supérieur (z) est codé en bleu. Figure générée à l’aide de code Python adapté d’un tutoriel Dipy par L. Bellec, sous licence CC-BY 4.0.

Figure 8:Cartes dérivées de tenseurs en IRM de diffusion: anisotropie fractionnelle (gauche), diffusivité moyenne (milieu) et direction principale du tenseur (droite). Pour la direction principale, l’axe gauche-droite (x) est codé en rouge, l’axe antérieur-postérieur (y) est codé en vert, et l’axe inférieur-supérieur (z) est codé en bleu. Figure générée à l’aide de code Python adapté d’un tutoriel Dipy par L. Bellec, sous licence CC-BY 4.0.

Il est possible de résumer certaines caractéristiques importantes des tenseurs de diffusion à l’aide d’une unique mesure, comme l’anisotropie fractionnelle et la diffusivité moyenne (voir définitions ci-dessous). On extrait donc une mesure par voxel, ce qui peut se représenter avec une carte cérébrale, voir Figure 8. Il est aussi possible de créer une image en couleurs, qui code pour la direction principale de diffusion.

Tractographie

Tractographie streamline

Source
Source
Fibres reconstruites par une approche streamline déterministe, qui consiste à tracer une fibre en suivant la direction principale de chaque tenseur de manière itérative, à partir de l’ensemble des points dans la matière blanche sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). La couleur de chaque fibre code pour son orientation, avec la même convention que la . Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

Figure 9:Fibres reconstruites par une approche streamline déterministe, qui consiste à tracer une fibre en suivant la direction principale de chaque tenseur de manière itérative, à partir de l’ensemble des points dans la matière blanche sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). La couleur de chaque fibre code pour son orientation, avec la même convention que la Figure 8. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

La tractographie permet de tracer le chemin des fibres de matière blanche in vivo. Il existe plusieurs approches de tractographie. La tractographie streamline déterministe reconstruit une fibre en partant d’un point de départ (une « graine ») placé dans la matière blanche, et en avançant pas à pas selon la direction principale de diffusion du voxel où elle se trouve. Le chemin s’arrête lorsqu’il quitte la matière blanche, ce que l’on détecte typiquement par une anisotropie fractionnelle trop faible, ou lorsqu’il devrait tourner de manière trop abrupte pour correspondre à un faisceau d’axones plausible. La tractographie probabiliste est similaire à la tractographie déterministe, mais considère en plus une incertitude sur la direction des fibres de matière blanche. Donc au lieu de reconstruire une seule fibre associée à un point de la matière blanche, la tractographie probabiliste va en reconstruire plusieurs qui seront toutes légèrement différentes.

Croisement de fibres

Illustration du problème de croisement de fibres, illustré à gauche. La diffusion de l’eau dans chaque faisceau est associée à un tenseur qui pointe dans une direction différente (milieu). Lorsqu’on essaye d’approximer la diffusion dans le croisement avec un seul tenseur, on obtient un tenseur aplati, en forme de disque, qui apparaît rond lorsqu’on le regarde de face (droite) : son anisotropie fractionnelle est faible, et sa direction principale ne correspond à aucun des deux faisceaux. Figure par L. Bellec, sous licence CC-BY 4.0, inspirée par la thèse de C. Poupon, 1999.

Figure 11:Illustration du problème de croisement de fibres, illustré à gauche. La diffusion de l’eau dans chaque faisceau est associée à un tenseur qui pointe dans une direction différente (milieu). Lorsqu’on essaye d’approximer la diffusion dans le croisement avec un seul tenseur, on obtient un tenseur aplati, en forme de disque, qui apparaît rond lorsqu’on le regarde de face (droite) : son anisotropie fractionnelle est faible, et sa direction principale ne correspond à aucun des deux faisceaux. Figure par L. Bellec, sous licence CC-BY 4.0, inspirée par la thèse de C. Poupon, 1999.

Une limitation que nous rencontrons avec l’imagerie en tenseur de diffusion est le croisement de fibres. Il est très courant dans la matière blanche d’avoir plusieurs faisceaux de fibres qui se croisent dans un même voxel. Un seul tenseur ne peut représenter qu’une seule direction principale. Lorsque deux faisceaux se croisent, comme dans la Figure 11, le tenseur s’aplatit en disque et son anisotropie fractionnelle chute, même si le voxel est rempli de fibres parfaitement organisées. Avec trois faisceaux orthogonaux, le tenseur deviendrait même une sphère. Dans ce cas, l’algorithme de reconstruction de fibres ne saura pas quelle direction suivre.

Le croisement n’est pas la seule configuration ambiguë. Deux faisceaux peuvent aussi se rapprocher, se toucher dans un voxel, puis repartir chacun de leur côté sans se croiser : on parle de fibres qui « s’embrassent » (fiber kissing). Vue de l’intérieur du voxel, cette situation produit un profil de diffusion très semblable à celui d’un croisement. L’algorithme de tractographie ne peut pas distinguer les deux cas, et risque de passer d’un faisceau à l’autre, reconstruisant ainsi une connexion qui n’existe pas.

Une des techniques utilisées pour résoudre ce problème est l’imagerie de diffusion à haute résolution angulaire, qui nous permet d’estimer plusieurs directions de fibres dans un même voxel. Le terme « angulaire » est important : il ne s’agit pas d’utiliser des voxels plus petits, mais d’échantillonner beaucoup plus de directions de gradient (typiquement soixante directions ou plus, contre une trentaine pour une acquisition DTI usuelle), en utilisant une séquence HARDI (High Angular Resolution Diffusion Imaging). Les acquisitions réalisées avec cette séquence sont plus longues que celles en DTI, 5-30 min vs 3-4 min.

Source
Estimation de fODF sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). Chaque forme représente la fODF d’un voxel, étirée dans chaque direction où se trouvent des fibres. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

Figure 12:Estimation de fODF sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). Chaque forme représente la fODF d’un voxel, étirée dans chaque direction où se trouvent des fibres. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

Avec une séquence HARDI, nous pouvons estimer dans chaque voxel une fonction de distribution des orientations de fibres (fiber Orientation Distribution Function, fODF). Plutôt qu’un seul ballon, la fODF décrit quelle proportion des fibres du voxel pointe dans chaque direction. Elle peut donc représenter plusieurs directions de fibres dans un même voxel, quel que soit l’angle sous lequel elles se croisent, et surpasser ainsi la principale limite du tenseur de diffusion (DTI). Dans le zoom de la Figure 12, chaque fODF est dessinée comme une forme étirée dans les directions où se trouvent des fibres. Dans un faisceau cohérent, elle prend la forme d’un pétale unique et allongé, qui suit le faisceau. Là où plusieurs faisceaux se croisent, elle prend la forme d’une petite fleur à plusieurs pétales, un par direction de fibres.

Source
Fibres reconstruites par une approche streamline déterministe à partir des fODF, qui permet de suivre plusieurs directions de fibres à chaque voxel, à partir de l’ensemble des points dans la matière blanche sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). Cette approche permet d’être plus robuste à la présence de croisement de fibres. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

Figure 13:Fibres reconstruites par une approche streamline déterministe à partir des fODF, qui permet de suivre plusieurs directions de fibres à chaque voxel, à partir de l’ensemble des points dans la matière blanche sur une coupe axiale (gauche) et zoom sur une portion de la coupe (droite). Cette approche permet d’être plus robuste à la présence de croisement de fibres. Figure générée par du code python adapté d’un tutoriel Dipy par L. Bellec sous licence CC-BY 4.0.

La capacité des fODF de représenter plusieurs directions de fibres à chaque voxel permet de reconstruire des fibres qui se croisent, comme il est apparent dans le zoom de la Figure 13. Il est important de réaliser que les données utilisées pour générer Figure 9 et Figure 13 sont les mêmes, mais les fibres reconstruites sont très différentes! Les paramètres que l’on choisit pour la méthode de reconstruction vont aussi changer la forme et le nombre de fibres. La tractographie en IRMd n’est donc pas une science exacte, et les faux positifs (une fibre reconstruite qui n’existe pas vraiment) ainsi que les faux négatifs (une fibre que l’on ne reconstruit pas mais qui existe pourtant) sont très courants.

Faisceaux de fibres

Illustration de trois faisceaux de fibres: les radiations optiques (OR), le faisceau arqué (AF) et le faisceau occipital vertical (VOF). Les faisceaux sont présentés sur différentes vues d’une dissection (A, B, D), ainsi qu’à l’aide d’une dissection virtuelle (C). Figure tirée de , sous licence CC-BY 4.0.

Figure 14:Illustration de trois faisceaux de fibres: les radiations optiques (OR), le faisceau arqué (AF) et le faisceau occipital vertical (VOF). Les faisceaux sont présentés sur différentes vues d’une dissection (A, B, D), ainsi qu’à l’aide d’une dissection virtuelle (C). Figure tirée de Jitsuishi et al., 2020, sous licence CC-BY 4.0.

Nous pouvons fournir aux algorithmes de tractographie des a priori sur les fibres dans le cerveau que nous connaissons à partir des études de dissection. Dans une reconstruction systématique des fibres, tout va être tracé, alors que dans une dissection virtuelle, seuls certains faisceaux de fibres vont être sélectionnés. Pour cela, on définit sur l’anatomie du participant des régions d’inclusion, par lesquelles une fibre doit passer pour être conservée, et des régions d’exclusion, qui éliminent toute fibre qui les traverse. Ces régions sont placées selon ce que les études de dissection nous apprennent du trajet du faisceau recherché. Ces a priori permettent de limiter les faux positifs, et l’utilisation d’algorithmes de tractographie performants permet de limiter les faux négatifs. Il existe un certain nombre de faisceaux de fibres classiques avec des schémas de dissection bien établis, comme le corps calleux (qui relie les deux hémisphères), le faisceau arqué (qui relie des régions du langage des lobes temporal et frontal), ou bien le faisceau longitudinal supérieur (qui relie les lobes frontal et pariétal).

Il est possible de calculer la valeur moyenne de l’anisotropie fractionnelle, ou tout autre métrique, le long d’une fibre. Cette approche est appelée tractométrie: on effectue une série de mesures le long d’un faisceau. Le faisceau peut également être découpé en segments, pour améliorer la précision spatiale de la mesure. On peut ensuite comparer ces valeurs entre différents individus pour faire des tests statistiques. Dans ce cas, le recalage entre individus se fait via l’identification de faisceaux de fibres, plutôt que par une méthode de déformation non-linéaire.

Conclusion

Dans ce cours, nous avons vu les principes de l’IRM de diffusion. Plus précisément, nous avons vu:

Exercices

Les exercices marqués d’un astérisque (*) sont plus difficiles.

Contributeurs

🤔 Contenu | 💻 Code | 🧩 Quizz | 👀 révision du texte

Lune Bellec Lune bellec 🤔💻🧩👀

References
  1. Bakhit, M., Fujii, M., Hiruta, R., Yamada, M., Iwami, K., Sato, T., & Saito, K. (2020). The superior frontal longitudinal tract: a connection between the dorsal premotor and the dorsolateral prefrontal cortices. Sci. Rep., 10(1), 15855.
  2. Jitsuishi, T., Hirono, S., Yamamoto, T., Kitajo, K., Iwadate, Y., & Yamaguchi, A. (2020). White matter dissection and structural connectivity of the human vertical occipital fasciculus to link vision-associated brain cortex. Sci. Rep., 10(1), 820.