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

Um das visuelle System des Gehirns zu verstehen, verwenden Wissenschaftler oft eine Technik namens funktionelle Magnetresonanztomographie, oder fMRT. Diese Methode erstellt eine dreidimensionale Karte des Gehirns, indem sie winzige Veränderungen im Blutfluss detektiert, die auftreten, wenn Neuronen feuern. Das Gehirn ist jedoch keine glatte, flache Oberfläche; es ist ein tief gefaltetes Gewebestück, ganz ähnlich wie ein zerknittertes Stück Papier. Um die Daten sinnvoll interpretieren zu können, projizieren Forscher diese dreidimensionalen Bilder meist auf eine flache, zweidimensionale Karte der Gehirnoberfläche. Dies hilft ihnen zu verstehen, wie verschiedene Bereiche organisiert sind, etwa wie der visuelle Kortex die Welt, die wir sehen, abbildet. Doch dieser Prozess hat einen Fehler. Da das Gehirn gefaltet ist, können zwei Punkte, die auf der Oberfläche weit voneinander entfernt liegen, im dreidimensionalen Raum des Scanners sehr nah beieinander liegen. Wenn der Scanner ein Bild aufnimmt, erfasst er einen kleinen Gewebeblock, und wenn dieser Block zwei weit entfernte Teile des gefalteten Gehirns enthält, vermischen sich die Signale. Das ist wie der Versuch, zwei verschiedene Radiosender zu hören, die auf derselben Frequenz senden; das Ergebnis ist ein verzerrtes Signal, bei dem es schwer ist, zu unterscheiden, welcher Sender welcher ist. Diese Vermischung wird schlimmer, wenn die Bilder nicht perfekt scharf sind, was in der realen Welt beim Scannen oft der Fall ist.

Ein Forscher namens Halil Aziz Velioğlu setzte sich zum Ziel, genau dieses Problem der Signalvermischung in Gehirnkarten zu lösen. Das Ziel war es herauszufinden, wie stark ein Signal aus einem Teil des Geirms durch ein Signal von einem fernen, überlappenden Teil des Gehirns kontaminiert wird, und dann einen Weg zu finden, dies zu bereinigen. Der Forscher entwickelte ein detailliertes mathematisches Modell, das wie eine vorausschauende Linse wirkt. Anstatt nur das fertige, unscharfe Bild zu betrachten, berechnet dieses Modell exakt, wie die Physik des Scanners und die einzigartigen Falten des Gehirns die Signale kombinieren. Es sagt für jeden einzelnen Punkt auf der Gehirnoberfläche voraus, wie viel seines Signals tatsächlich von einem fernen, überlappenden Nachbarn stammt und nicht vom lokalen Gewebe. Diese Vorhersage wird als „Leakage-Map“ (Leckage-Karte) bezeichnet. Der Forscher nutzte diese Karte dann, um eine Korrekturmethode zu entwickeln. Durch die Umkehrung des im Modell beschriebenen Mischprozesses versucht die Methode, das wahre lokale Signal vom fernen Rauschen zu trennen, was die Karte effektiv schärft und den Kontrast zwischen verschiedenen Gehirnarealen wiederherstellt.

Die Studie testete diese Idee anhand von Daten aus mehreren großen öffentlichen Sammlungen von Gehirnscans, einschließlich hochauflösender Bilder, die mit einem leistungsstarken 7-Tesla-Scanner aufgenommen wurden, sowie Standardbildern von 3-Tesla-Scannern. Die Forscher überprüften zunächst, ob ihr Modell genau vorhersagen konnte, wie sich die Karten verändern würden, wenn die Bilder unschärfer gemacht würden – ein Prozess, den sie am Computer simulierten. Sie fanden heraus, dass das Modell bemerkenswert genau war. Es sagte korrekt voraus, dass in Bereichen, in denen das Gehirn eng gefaltet ist, wie etwa in den tiefen Furchen des visuellen Kortex, ein erheblicher Teil des Signals von der gegenüberliegenden Seite der Falte in die lokale Messung hineinleckte. In den schärfsten Bildern war diese Leckage gering, aber als die Auflösung gesenkt wurde, um weniger leistungsstarke Scanner nachzuahmen, wuchs die Leckage an und betraf in einigen Simulationen bis zu 22 % der Gehirnoberfläche. Das Modell zeigte, dass diese Vermischung keine allgemeine Unschärfe war, sondern eine spezifische Kontamination, bei der Signale von einer Seite einer Falte mit Signalen der anderen Seite gemischt wurden, die oft völlig unterschiedliche Teile der visuellen Welt repräsentieren.

Als Nächstes testeten die Forscher, ob ihre Korrekturmethode die Karten tatsächlich verbessern konnte. Sie verglichen ihre neue Methode mit Standardverfahren der Bildverarbeitung, die meist einfaches Glätten oder Mitteln beinhalten. Die Ergebnisse zeigten, dass die neue Methode am besten arbeitete, wenn die Vermischung stark war. In den hochauflösenden Daten reduzierte die Korrektur den Fehler in den Karten um einen merklichen Betrag, insbesondere in den Bereichen, in denen das Gehirn eng gefaltet ist. Die Verbesserung war am deutlichsten beim Betrachten der Abbildung des Sichtwinkels durch das Gehirn; die korrigierten Karten hielten die deutlichen Grenzen zwischen verschiedenen Sichtfeldern wesentlich schärfer als die Standardmethoden. Die Forscher fanden auch heraus, dass der Nutzen der Korrektur vom Typ des visuellen Stimulus abhing. Wenn das Gehirn einem Muster gezeigt wurde, das dazu führte, dass verschiedene Teile der gefalteten Gehirnoberfläche entgegengesetzt reagierten, war die Vermischung ein großes Problem, und die Korrektur half sehr viel. Wenn der Stimulus jedoch die fernen Teile der Falte dazu brachte, auf die gleiche Weise zu reagieren, war die Vermischung weniger schädlich und die Korrektur bot wenig Vorteil. Dies bestätigte, dass das Problem nicht nur die Unschärfe war, sondern die spezifische Art und Weise, wie verschiedene Gehirnareale miteinander verwechselt wurden.

Die Studie untersuchte auch, ob diese Korrektur bei Daten von Standard-3-Tesla-Scannern funktionieren würde, die in Krankenhäusern und Forschungslaboren häufiger vorkommen. Hier waren die Ergebnisse gemischter. Wenn die Bilder doppelt so unscharf gemacht wurden, zeigte die Korrekturmethode eine klare Verbesserung und half dabei, Details wiederherzustellen, die in der Standardverarbeitung verloren gegangen waren. Wenn die Bilder jedoch nur etwas unschärfer waren, bot die Korrektur keinen zuverlässigen Vorteil gegenüber einfacheren Methoden. Dies deutet darauf hin, dass die Technik am nützlichsten ist, wenn die Daten recht grob sind oder wenn die Gehirnfalten eine starke Vermischung verursachen. Die Forscher testeten die Methode auch an Daten aus verschiedenen Scan-Sitzungen an unterschiedlichen Tagen. In diesen Fällen verbesserte die Korrektur die Ergebnisse nicht konsistent, wahrscheinlich weil kleine Unterschiede in der Positionierung des Gehirns im Scanner oder in der Bildverarbeitung die subtilen Korrekturen, die das Modell vorzunehmen versuchte, überlagelten.

Eine der wichtigsten Erkenntnisse war, dass die Forscher vorhersagen konnten, wo die Korrektur am hilfreichsten sein würde, ohne zuerst die endgültige Gehirnaktivität sehen zu müssen. Durch die Verwendung einer Karte der Gehirnanatomie und eines Standard-Atlas zur Organisation des visuellen Systems konnten sie abschätzen, welche Bereiche am stärksten unter Vermischung leiden würden. Dies bedeutet, dass Wissenschaftler in Zukunft einen Scan eines Patienten betrachten, die Anatomie prüfen und im Voraus entscheiden können, ob die Anwendung dieser Korrektur die zusätzliche Rechenzeit wert ist. Die Studie behauptete nicht, ein „Super-Resolution“-Bild zu erschaffen, das Details enthüllt, die zuvor nie gesehen wurden. Stattdessen zeigte sie, dass es möglich ist, durch das Verständnis der Physik des Scanners und der Geometrie des Gehirns einen Teil der Vermischung rückgängig zu machen, die natürlich auftritt. Die Methode funktioniert nicht überall perfekt und setzt voraus, dass das Gehirn korrekt im Scanner positioniert ist, aber sie bietet ein neues Werkzeug zur Bereinigung von Gehirnkarten, insbesondere in den tiefen, gefalteten Regionen, in denen Standardmethoden Schwierigkeiten haben.

Die Forschung kommt zu dem Schluss, dass wir zwar die durch die Grenzen des Scanners verursachte Unschärfe nicht vollständig eliminieren können, wir sie aber modellieren und zu einem signifikanten Grad herausrechnen können. Die Korrektur ist am effektivsten, wenn die Falten des Gehirns weit entfernte, unterschiedlich reagierende Bereiche nahe zusammenbringen und wenn die Bilder von vornherein nicht zu scharf sind. In diesen spezifischen Situationen stellt die Methode ein klareres Bild der Organisation des Gehirns wieder her. Die Studie liefert einen Satz von Werkzeugen und Karten, die andere Wissenschaftler nutzen können, um ihre eigenen Daten auf diese Art von Vermischung zu überprüfen. Sie löst nicht jedes Problem in der Bildgebung des Gehirns und erfordert einen sorgfältigen Aufbau, aber sie bietet eine konkrete Möglichkeit, die Genauigkeit von Gehirnkarten in Situationen zu verbessern, in denen der Standardansatz zu viel Signal vermischt lässt. Die Arbeit unterstreicht, dass das Verständnis der Geometrie des Gehirns genauso wichtig ist wie die Technologie, die zum Scannen verwendet wird, und dass es manchmal der beste Weg ist, das Gehirn klar zu sehen, indem man die durch seine eigene Form verursachte Verwirrung mathematisch rückgängig macht.