This study used foci from 17 original studies on functional abnormalities in the dyslexic brain to identify brain regions with consistent under- or overactivation. Studies were included when reading or reading-related tasks were performed on visually presented stimuli and when results reported coordinates for group differences. Activation likelihood estimation (ALE) was used for quantification. Maxima of underactivation were found in inferior parietal, superior temporal, middle and inferior temporal, and fusiform regions of the left hemisphere. With respect to left frontal abnormalities, we found underactivation in the inferior frontal gyrus to be accompanied by overactivation in the primary motor cortex and the anterior insula. Tentative functional interpretations of the activation abnormalities are provided.

Most current models assume that the perceptual and cognitive processes of visual word recognition and reading operate upon neuronally coded domain-general low-level visual representations – typically oriented line representations. We here demonstrate, consistent with neurophysiological theories of Bayesian-like predictive neural computations, that prior visual knowledge of words may be utilized to ‘explain away’ redundant and highly expected parts of the visual percept. Subsequent processing stages, accordingly, operate upon an optimized representation of the visual input, the orthographic prediction error , highlighting only the visual information relevant for word identification. We show that this optimized representation is related to orthographic word characteristics, accounts for word recognition behavior, and is processed early in the visual processing stream, i.e., in V4 and before 200 ms after word-onset. Based on these findings, we propose that prior visual-orthographic knowledge is used to optimize the representation of visually presented words, which in turn allows for highly efficient reading processes.

To characterize the role of the left ventral occipito-temporal cortex (lvOT) during visual word recognition in a quantitatively explicit and testable manner, we propose the lexical categorization model (LCM) according to which lvOT categorizes perceived letter strings into words or non-words. LCM simulations successfully replicate nine benchmark results from human functional brain imaging. Empirically, using functional magnetic resonance imaging and electroencephalography, we demonstrate that quantitative LCM simulations predict lvOT activation and brain activation at an expected time window, respectively. In addition, we found that word-likeness, which is assumed as input to LCM, is represented posterior to lvOT and before the lexical categorization. In contrast, a dichotomous word/non-word contrast, which is the assumed as output of the LCM, could be localized to upstream frontal brain regions. Thus, we propose a ventral-visual-stream processing framework for visual word recognition involving word-likeness extraction followed by lexical categorization, prior to the extraction of word meaning.