Les chercheurs utilisant des données d'IRMf de tâche disposent d'une vaste gamme d'outils d'analyse pour modéliser l'activité cérébrale. Cette diversité d'approches analytiques signifie qu'il existe de nombreuses variations possibles du même résultat d'imagerie. L'analyse d'un ensemble de données avec une seule approche peut donc être trompeuse. Une solution efficace est d’utiliser une analyse multivers, où plusieurs ensembles de résultats sont obtenus en exécutant différents pipelines sur les mêmes données. Toutefois, le postulat de départ pour les méta-analyses traditionnelles est l'indépendance des données d'entrée. C’est pourquoi nous présentons ici des méthodes de "méta-analyse sur mêmes données" afin d’examiner plusieurs ensembles de résultats de neuro-imagerie issus d'une analyse multivers, tout en tenant compte de la dépendance entre les analyses. La validité de ces méthodes est évaluée et comparée aux méthodes de méta-analyse traditionnelles. Nous évaluons la validité des méthodes sur des simulations ainsi que sur des données réelles provenant de l’étude "NARPS" (Botvinik-Nezer et al. 2020), une analyse multivers avec 70 cartes statistiques issues des mêmes données. Nos résultats montrent que les méthodes développées précisément pour l’analyse multivers sont valides et présentent différents profils de significativité en fonction de leurs spécificités. Ces différents résultats illustrent différents types d’inférences que les analystes pourraient souhaiter mener en fonction des hypothèses sous-jacentes de leurs études.