Predicting cortical signal mixing in coarse-resolution fMRI: a forward-operator analysis of surface mapping and the conditional benefit of correction

لفهم النظام البصري للدماغ، يستخدم العلماء غالبًا تقنية تسمى التصوير بالرنين المغناطيسي الوظيفي، أو fMRI. وتنشئ هذه الطريقة خريطة ثلاثية الأبعاد للدماغ عن طريق اكتشاف تغيرات طفيفة في تدفق الدم تحدث عندما تنشط الخلايا العصبية. ومع ذلك، فإن الدماغ ليس سطحًا أملسًا ومسطحًا؛ بل هو ورقة من الأنسجة شديدة التجعيد، تشبه إلى حد كبير ورقة مجعدة. ولتفسير البيانات، يقوم الباحثون عادةً بإسقاط هذه الصور ثلاثية الأبعاد على خريطة ثنائية الأبعاد مسطحة لسطح الدماغ. يساعد هذا في رؤية كيفية تنظيم المناطق المختلفة، مثل كيفية رسم القشرة البصرية لخريطة العالم الذي نراه. لكن هذه العملية تشوبها ثغرة؛ فبسبب طيات الدماغ، يمكن لنقطتين متباعدتين على السطح أن تنتهي بهما الحال قريبتين جدًا من بعضهما البعض في الفضاء ثلاثي الأبعاد داخل جهاز الماسح الضوئي. وعندما يلتقط الماسح صورة، فإنه يلتقط كتلة صغيرة من الأنسجة، وإذا كانت هذه الكتلة تحتوي على جزأين متباعدين من الدماغ المطوي، فإن الإشارة تختلط معًا. يشبه هذا محاولة الاستماع إلى محطتين إذاعيتين مختلفتين تبثان على نفس التردد؛ والنتيجة هي إشارة مشوشة يصعب فيها تمييز أي محطة هي الأخرى. ويصبح هذا الخلط أسوأ عندما لا تكون الصور حادة تمامًا، وهو أمر شائع غالبًا في عمليات المسح في العالم الحقيقي.

لقد شرع باحث يدعى حليل عزيز فيولو في حل هذه المشكلة المحددة المتمثلة في اختلاط الإشارات في خرائط الدماغ. كان الهدف هو معرفة مقدار تلوث الإشارة من جزء واحد من الدماغ بإشارة من جزء آخر بعيد ومطوي من الدماغ، ومن ثم إيجاد طريقة لتنظيفها. بنى الباحث نموذجًا رياضيًا مفصلاً يعمل كعدسة استشرافية؛ فبدلاً من مجرد النظر إلى الصورة النهائية الضبابية، يحسب هذا النموذج بدقة كيف يجمع فيزياء الماسح الضوئي وطيات الدماغ الفريدة بين الإشارات لتنتج ضبابية. وهو يتنبأ، لكل نقطة على سطح الدماغ، بمقدار الإشارة التي تأتي بالفعل من جار بعيد ومطوي بدلاً من الأنسجة المحلية. تسمى هذه التنبؤات "خريطة التسرب". ثم استخدم الباحث هذه الخريطة لإنشاء طريقة للتصحيح؛ فمن خلال عكس عملية الخلط الموصوفة في النموذج، تحاول الطريقة فصل الإشارة المحلية الحقيقية عن الضوضاء البعيدة، مما يؤدي فعليًا إلى توضيح الخريطة واستعادة التباين بين مناطق الدماغ المختلفة.

اختبرت الدراسة هذه الفكرة باستخدام بيانات من عدة مجموعات عامة كبيرة من فحوصات الدماغ، بما في ذلك صور عالية الدقة تم التقاطها باستخدام ماسح ضوئي قوي بقدرة 7 تسلا وصور قياسية من ماسحات بقدرة 3 تسلا. تحقق الباحثون أولاً مما إذا كان نموذجهم يمكنه التنبؤ بدقة بكيفية تغير الخرائط إذا أصبحت الصور أكثر ضبابية، وهي عملية قاموا بمحاكاتها على الكمبيوتر. ووجدوا أن النموذج كان دقيقًا بشكل ملحوظ؛ فقد تنبأ بشكل صحيح بأن المناطق التي تطوى فيها القشرة البصرية بعمق ستشهد تسربًا كبيرًا للإشارة من الجانب المقابل للثنية في القياسات المحلية. وفي الصور الأكثر حدة، كان هذا التسرب ضئيلاً، ولكن مع انخفاض الدقة لمحاكاة الماسحات الأقل قوة، نما التسرب، مما أثر على ما يصل إلى 22% من سطح الدماغ في بعض عمليات المحاكاة. وأظهر النموذج أن هذا الخلط لم يكن مجرد ضبابية عامة، بل كان تلوثًا محددًا حيث تختلط إشارات جانب واحد من الثنية مع إشارات الجانب الآخر، والتي غالبًا ما تمثل أجزاء مختلفة تمامًا من العالم المرئي.

بعد ذلك، اختبر الباحثون ما إذا كانت طريقة التصحيح هذه يمكن أن تحسن الخرائط بالفعل. وقارنوا طريقتهم الجديدة بالطرق القياسية لمعالجة صور الدماغ، والتي تتضمن عادةً التنعيم البسيط أو المتوسط الحسابي. وأظهرت النتائج أن الطönt الجديدة تعمل بشكل أفضل عندما يكون الخلط قويًا. ففي البيانات عالية الدقة، قللت عملية التصحيح من الخطأ في الخرائط بمقدار ملحوء، لا سيما في المناطق التي تطوى فيها ثنايا الدماغ بشدة. وكان التحسن أكثر وضوحًا عند النظر في كيفية رسم الدماغ لزاوية الرؤية؛ حيث حافظت الخرائط المصححة على الحدود المتميزة بين المجالات البصرية المختلفة بشكل أكثر حدة من الطرق القياسية. كما وجد الباحثون أن فائدة التصحيح تعتمد على نوع المحفز البصري؛ فعندما عُرض نمط جعل أجزاء مختلفة من الدماغ المطوي تستجيب بطرق متعاكسة، كان الخلط مشكلة كبيرة، وساعد التصحيح كثيرًا. ومع ذلك، عندما جعل المحفز الأجزاء البعيدة من الثنية تستجيب بنفس الطريقة، كان الخلط أقل ضررًا، ولم يقدم التصحيح ميزة تذكر. وقد أكد هذا أن المشكلة لم تكن تتعلق فقط بالضبابية، بل بالطريقة المحددة التي يتم بها خلط مناطق الدماغ المختلفة ببعضها البعض.

بحثت الدراسة أيضًا فيما إذا كان هذا التصحيح سيعمل على البيانات المستمدة من ماسحات 3 تسلا القياسية، وهي الأكثر شيوعًا في المستشفيات والمختبرات البحثية. وهنا، كانت النتائج مختلطة؛ فعندما أصبحت الصور أكثر ضبابية بمرتين، أظهرت طريقة التصحيح تحسنًا واضحًا، حيث ساعدت في استعادة التفاصيل التي فُقدت في المعالجة القياسية. ومع ذلك، عندما كانت الصور ضبابية قليًا فقط، لم يوفر التصحيح فائدة موثوقة مقارنة بالطرق الأبسط. ويشير هذا إلى أن التقنية تكون أكثر فائدة عندما تكون البيانات خشنة للغاية أو عندما تسبب ثنايا الدماغ خلطًا شديدًا. كما اختبر الباحثون الطريقة على بيانات من جلسات مسح مختلفة في أيام مختلفة، وفي هذه الحالات، لم يحسن التصحيح النتائج باستمرار، ويرجع ذلك على الأرجاف إلى أن الاختلافات الصغيرة في كيفية وضع الدماغ في الماسح الضوئي أو كيفية معالجة الصور قد طغت على التصحيحات الدقيقة التي يحاول النموذج إجراءها.

كان أحد أهم النتائج هو قدرة الباحثين على التنبؤ بالمكان الذي سيكون فيه التصحيح أكثر فائدة دون الحاجة إلى رؤية نشاط الدماغ النهائي أولاً. فمن خلال استخدام خريطة لتشريح الدماغ وأطلس قياسي لكيفية تنظيم النظام البصري، استطاعوا تقدير المناطق التي ستعاني من أكبر قدر من الخلط. وهذا يعني أنه في المستقبل، يمكن للعلماء النظر في فحص المريض، والتحقق من التشريح، وتقرير ما إذا كان تطبيق هذا التصحيح يستحق وقت الحوسبة الإضافي مسبقًا. لم تدعِ الدراسة أنها خلقت صورة "فائقة الدقة" تكشف عن تفاصيل لم تُر من قبل، بل أظهرت أنه من خلال فهم فيزياء الماسح الضوئي وهندسة الدماغ، من الممكن إلغاء بعض الخلط الذي يحدث طبيعيًا. لا تعمل الطريقة بشكل مثالي في كل مكان، وتعتمد على وضع الدماغ بشكل صحيح في الماسح الضوئي، لكنها تقدم أداة جديدة لتنظيف خرائط الدماغ، خاصة في المناطق العميقة والمطوية حيث تعاني الطرق القياسية.

تخلص الدراسة إلى أنه بينما لا يمكننا القضاء تمامًا على الضبابية الناتجة عن حدود الماسح الضوئي، يمكننا نمذجتها وطرحها بدرجة كبيرة. يكون التصحيح أكثر فعالية عندما تجلب ثنايا الدماغ مناطق بعيدة ذات استجابات مختلفة لتكون قريبة من بعضها البعض، وعندما لا تكون الصور حادة للغاية في الأصل. في هذه الحالات المحددة، تستعيد الطريقة صورة أوضح لكيفية تنظيم الدماغ. توفر الدراسة مجموعة من الأدوات والخرائط التي يمكن للعلماء الآخرين استخدامها للتحقق من بياناتهم بحثًا عن هذا النوع من الخلط. إنها لا تحل كل مشكلات تصوير الدماغ، وتتطلب إعدادًا دقيقًا، لكنها تقدم وسيلة ملموسة لتحسين دقة خرائط الدماغ في الحالات التي تترك فيها الطريقة القياسية الكثير من الإشارات مختلطة. يسلط العمل الضوء على أن فهم هندسة الدماغ لا يقل أهمية عن التكنولوجيا المستخدمة لمسحه، وأنه في بعض الأحيان، تكون أفضل طريقة لرؤية الدماغ بوضوح هي إلغاء الارتباك الناتج عن شكله رياضيًا.