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

Pour comprendre le système visuel du cerveau, les scientifiques utilisent souvent une technique appelée imagerie par résonance magnétique fonctionnelle, ou IRMf. Cette méthode crée une carte tridimensionnelle du cerveau en détectant de minuscules changements dans le flux sanguin qui se produisent lorsque les neurones s'activent. Cependant, le cerveau n'est pas une surface lisse et plate ; c'est une feuille de tissu profondément repliée, semblable à une feuille de papier froissée. Pour donner un sens aux données, les chercheurs projettent généralement ces images tridimensionnelles sur une carte bidimensionnelle plate de la surface du cerveau. Cela les aide à voir comment les différentes zones sont organisées, comme la façon dont le cortex visuel cartographie le monde que nous voyons. Mais ce processus présente un défaut. Parce que le cerveau est replié, deux points éloignés sur la surface peuvent se retrouver très proches l'un de l'autre dans l'espace tridimensionnel du scanner. Lorsque le scanner prend une image, il capture un petit bloc de tissu, et si ce bloc contient deux parties distantes du cerveau replié, le signal se mélange. C'est comme essayer d'écouter deux stations de radio différentes qui émettent sur la même fréquence ; le résultat est un signal brouillé où il est difficile de distinguer quelle station est laquelle. Ce mélange s'aggrave lorsque les images ne sont pas parfaitement nettes, ce qui est souvent le cas lors de scanners en conditions réelles.

Un chercheur nommé Halil Aziz Velioğlu s'est donné pour mission de résoudre ce problème spécifique de mélange de signaux dans les cartes cérébrales. L'objectif était de déterminer exactement à quel point le signal d'une partie du cerveau est contaminé par le signal d'une autre partie distante et repliée du cerveau, puis de trouver un moyen de le nettoyer. Le chercheur a construit un modèle mathématique détaillé qui agit comme une lentille prospective. Au lieu de simplement regarder l'image finale floue, ce modèle calcule précisément comment la physique du scanner et les plis uniques du cerveau combinent les signaux pour créer du flou. Il prédit, pour chaque point de la surface du cerveau, quelle proportion de son signal provient réellement d'un voisin distant et replié plutôt que du tissu local. Cette prédiction est appelée une « carte de fuite » (leakage map). Le chercheur a ensuite utilisé cette carte pour créer une méthode de correction. En inversant le processus de mélange décrit par le modèle, la méthode tente de séparer le véritable signal local du bruit distant, ce qui permet d'affiner la carte et de restaurer le contraste entre les différentes zones du cerveau.

L'étude a testé cette idée en utilisant des données provenant de plusieurs grandes collections publiques d'imagerie cérébrale, y compris des images à haute résolution prises avec un puissant scanner de 7 Tesla et des images standards de scanners de 3 Tesla. Les chercheurs ont d'abord vérifié si leur modèle pouvait prédire avec précision comment les images changeraient si elles étaient rendues plus floues, un processus qu'ils ont simulé sur ordinateur. Ils ont constaté que le modèle était remarquablement précis. Il a correctement prédit que dans les zones où le cerveau se replie étroitement, comme les sillons profonds du cortex visuel, une quantité significative de signal provenant du côté opposé du pli fuit dans la mesure locale. Dans les images les plus nettes, cette fuite était faible, mais à mesure que la résolution diminuait pour imiter des scanners moins puissants, la fuite augmentait, affectant jusqu'à 22 % de la surface du cerveau dans certaines simulations. Le modèle a montré que ce mélange n'était pas un simple flou général ; il s'agissait d'une contamination spécifique où les signaux d'un côté d'un pli se mélangeaient avec ceux de l'autre côté, lesquels représentent souvent des parties complètement différentes du monde visuel.

Ensuite, les chercheurs ont testé si leur méthode de correction pouvait réellement améliorer les cartes. Ils ont comparé leur nouvelle méthode aux méthodes de traitement standard, qui impliquent généralement un simple lissage ou un moyennage. Les résultats ont montré que la nouvelle méthode fonctionnait le mieux lorsque le mélange était fort. Dans les données à haute résolution, la correction a réduit l'erreur dans les cartes de manière notable, particulièrement dans les zones où le cerveau se replie étroitement. L'amélioration était plus visible lors de l'observation de la façon dont le cerveau cartographie l'angle de vision ; les cartes corrigées maintenaient les limites distinctes entre les différents champs visuels bien plus nettes que les méthodes standard. Les chercheurs ont également constaté que le bénéfice de la correction dépendait du type de stimulus visuel. Lorsqu'on présentait au cerveau un motif qui faisait réagir différentes parties du cerveau replié de manières opposées, le mélange était un problème majeur, et la correction aidait beaucoup. Cependant, lorsque le stimulus faisait réagir les parties distantes du pli de la même manière, le mélange était moins nocif, et la correction offrait peu d'avantages. Cela a confirmé que le problème n'était pas seulement une question de flou, mais bien la manière spécifique dont différentes zones du cerveau étaient confondues entre elles.

L'étude a également examiné si cette correction fonctionnerait sur des données provenant de scanners standards de 3 Tesla, plus courants dans les hôpitaux et les laboratoires de recherche. Ici, les résultats étaient plus mitigés. Lorsque les images étaient rendues deux fois plus floues, la méthode de correction montrait une amélioration claire, aidant à récupérer des détails perdus avec le traitement standard. Cependant, lorsque les images n'étaient que légèrement plus floues, la correction n'apportait pas de bénéfice fiable par rapport aux méthodes plus simples. Cela suggère que la technique est plus utile lorsque les données sont assez grossières ou lorsque les plis du cerveau provoquent un mélange sévère. Les chercheurs ont également testé la méthode sur des données de différentes sessions de balayage effectuées à des jours différents. Dans ces cas, la correction n'a pas amélioré les résultats de manière cohérente, probablement parce que de petites différences dans la façon dont le cerveau était positionné dans le scanner ou dans la façon dont les images étaient traitées ont supplanté les corrections subtiles que le modèle tentait d'apporter.

L'une des découvertes les plus importantes est que les chercheurs pouvaient prédire où la correction serait la plus utile sans avoir besoin de voir l'activité cérébrale finale d'abord. En utilisant une carte de l'anatomie du cerveau et un atlas standard de l'organisation du système visuel, ils pouvaient estimer quelles zones seraient les plus sujettes au mélange. Cela signifie qu'à l'avenir, les scientifiques pourraient examiner le scanner d'un patient, vérifier l'anatomie et décider à l'avance si l'application de cette correction vaut l'effort de calcul supplémentaire. L'étude ne prétend pas avoir créé une image à « super-résolution » révélant des détails jamais vus auparavant. Elle montre qu'en comprenant la physique du scanner et la géométrie du cerveau, il est possible d'annuler une partie du mélange qui se produit naturellement. La méthode ne fonctionne pas parfaitement partout, et elle repose sur le fait que le cerveau soit correctement positionné dans le scanner, mais elle offre un nouvel outil pour nettoyer les cartes cérébrales, en particulier dans les régions repliées profondes où les méthodes standard peinent.

La recherche conclut que, bien que nous ne puissions pas éliminer complètement le flou causé par les limites du scanner, nous pouvons le modéliser et le soustraire de manière significative. La correction est plus efficace lorsque les plis du cerveau rapprochent des zones distantes répondant de manière différente, et lorsque les images ne sont pas trop nettes au départ. Dans ces situations spécifiques, la méthode restitue une image plus claire de l'organisation du cerveau. L'étude fournit un ensemble d'outils et de cartes que d'autres scientifiques peuvent utiliser pour vérifier leurs propres données pour ce type de mélange. Elle ne résout pas tous les problèmes d'imagerie cérébrale et nécessite une installation minutieuse, mais elle offre un moyen concret d'améliorer la précision des cartes cérébrales dans les situations où l'approche standard laisse trop de signaux mélangés. Ce travail souligne que la compréhension de la géométrie du cerveau est tout aussi importante que la technologie utilisée pour le scanner, et que parfois, la meilleure façon de voir le cerveau clairement est de mathématiquement annuler la confusion causée par sa propre forme.