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

Per comprendere il sistema visivo del cervello, gli scienziati utilizzano spesso una tecnica chiamata risonanza magnetica funzionale, o fMRI. Questo metodo crea una mappa tridimensionale del cervello rilevando minuscoli cambiamenti nel flusso sanguigno che avvengono quando i neuroni si attivano. Tuttavia, il cervello non è una superficie liscia e piatta; è un foglio di tessuto profondamente ripiegato, molto simile a un pezzo di carta stropicciata. Per dare un senso ai dati, i ricercatori solitamente proiettano queste immagini tridimensionali su una mappa bidimensionale piatta della superficie cerebrale. Ciò aiuta a vedere come diverse aree siano organizzate, come ad esempio il modo in cui la corteccia visiva mappa il mondo che vediamo. Ma questo processo presenta un difetto. Poiché il cervello è ripiegato, due punti che si trovano lontani sulla superficie possono finire molto vicini tra loro nello spazio tridimensionale dello scanner. Quando lo scanner scatta una foto, cattura un piccolo blocco di tessuto e, se questo blocco contiene due parti distanti del cervello ripiegato, il segnale si mescola. È come cercare di ascoltare due diverse stazioni radio che trasmettono sulla stessa frequenza; il risultato è un segnale confuso dove è difficile distinguere quale stazione sia quale. Questo mescolamento peggiora quando le immagini non sono perfettamente nitide, il che accade spesso nelle scansioni del mondo reale.

Un ricercatore di nome Halil Aziz Velioğlu si è posto l'obiettivo di risolvere questo specifico problema di mescolamento del segnale nelle mappe cerebrali. L'obiettivo era capire esattamente quanto il segnale di una parte del cervello sia contaminato dal segnale di una parte distante e ripiegata del cervello, e poi trovare un modo per pulirlo. Il ricercatore ha costruito un modello matematico dettagliato che agisce come una lente orientata in avanti. Invece di limitarsi a guardare l'immagine finale sfocata, questo modello calcola esattamente come la fisica dello scanner e le pieghe uniche del cervello si combinino per sfocare i segnali. Esso predice, per ogni singolo punto sulla superficie del cervello, quanto del suo segnale provenga effettivamente da un vicino distante e ripiegato piuttosto che dal tessuto locale. Questa previsione è chiamata "mappa di perdita" (leakage map). Il ricercatore ha poi utilizzato questa mappa per creare un metodo di correzione. Invertendo il processo di mescolamento descritto dal modello, il metodo tenta di separare il vero segnale locale dal rumore distante, rendendo di fatto più nitida la mappa e ripristinando il contrasto tra le diverse aree cerebrali.

Lo studio ha testato questa idea utilizzando dati provenienti da diverse grandi collezioni pubbliche di scansioni cerebrali, incluse immagini ad alta risoluzione acquisite con uno potente scanner da 7 Tesla e immagini standard da scanner da 3 Tesla. I ricercatori hanno prima verificato se il loro modello potesse prevedere accuratamente come le mappe sarebbero cambiate se le immagini fossero state rese più sfocate, un processo che hanno simulato al computer. Hanno scoperto che il modello era straordinariamente accurato. Prevedeva correttamente che nelle aree in cui il cervello si ripiega strettamente, come nei solchi profondi della corteccia visiva, una quantità significativa di segnale dal lato opposto della piega stava filtrando nella misurazione locale. Nelle immagini più nitide, questa perdita era piccola, ma man mano che la risoluzione veniva abbassata per simulare scanner meno potenti, la perdita cresceva, influenzando fino al 22% della superficie cerebrale in alcune simulazioni. Il modello ha dimostrato che questo mescolamento non era solo una sfocatura generale; era una contaminazione specifica in cui i segnali da un lato di una piega venivano mescolati con i segnali dall'altro lato, che spesso rappresentano parti completamente diverse del mondo visivo.

Successivamente, i ricercatori hanno testato se il loro metodo di correzione potesse effettivamente migliorare le mappe. Hanno confrontato il loro nuovo metodo con i modi standard di elaborare le immagini cerebrali, che solitamente prevedono una semplice levigatura o media. I risultati hanno mostrato che il nuovo metodo funzionava meglio quando il mescolamento era forte. Nei dati ad alta risoluzione, la correzione ha ridotto l'errore nelle mappe in modo evidente, particolarmente nelle aree in cui il cervello si ripiega strettamente. Il miglioramento era più visibile osservando come il cervello mappa l'angolo di visione; le mappe corrette mantenevano i confini tra i diversi campi visivi molto più netti rispetto ai metodi standard. I ricercatori hanno anche scoperto che il beneficio della correzione dipendeva dal tipo di stimolo visivo. Quando al cervello veniva mostrato un pattern che faceva rispondere parti diverse della piega in modi opposti, il mescolamento era un problema maggiore e la correzione aiutava molto. Tuttavia, quando lo stimolo faceva rispondere le parti distanti della piega nello stesso modo, il mescolamento era meno dannoso e la correzione offriva scarso vantaggio. Ciò ha confermato che il problema non riguardava solo la sfocatura, ma il modo specifico in cui diverse aree cerebrali venivano confuse l'una con l'altra.

Lo studio ha anche esaminato se questa correzione avrebbe funzionato sui dati provenienti da scanner standard da 3 Tesla, che sono più comuni negli ospedali e nei laboratori di ricerca. In questo caso, i risultati sono stati più contrastanti. Quando le immagini venivano rese due volte più sfocate, il metodo di correzione mostrava un netto miglioramento, aiutando a recuperare dettagli che erano andati perduti con l'elaborazione standard. Tuttavia, quando le immagini erano solo leggermente più sfocate, la correzione non forniva un beneficio affidabile rispetto ai metodi più semplici. Ciò suggerisce che la tecnica è più utile quando i dati sono piuttosto grossolani o quando le pieghe del cervello causano un mescolamento severo. I ricercatori hanno anche testato il metodo su dati provenienti da diverse sessioni di scansione effettuate in giorni diversi. In questi casi, la correzione non ha migliorato costantemente i risultati, probabilmente perché piccole differenze nel modo in cui il cervello era posizionato nello scanner o in come le immagini venivano elaborate hanno sovrastato le sottili correzioni che il modello cercava di applicare.

Uno dei risultati più importanti è stato che i ricercatori potevano prevedere dove la correzione sarebbe stata più utile senza dover prima vedere l'attività cerebrale finale. Utilizzando una mappa dell'anatomia del cervello e un atlante standard di come è organizzato il sistema visivo, potevano stimare quali aree avrebbero sofferto maggiormente del mescolamento. Ciò significa che in futuro gli scienziati potrebbero esaminare la scansione cerebrale di un paziente, controllare l'anatomia e decidere in anticipo se applicare questa correzione valga il tempo di calcolo extra. Lo studio non ha sostenuto di aver creato un'immagine a "super-risoluzione" che rivela dettagli mai visti prima. Invece, ha dimostrato che comprendendo la fisica dello scanner e la geometria del cervello, è possibile annullare parte del mescolamento che avviene naturalmente. Il metodo non funziona perfettamente ovunque e dipende dal fatto che il cervello sia posizionato correttamente nello scanner, ma offre un nuovo strumento per pulire le mappe cerebrali, specialmente nelle regioni profonde e ripiegate dove i metodi standard faticano.

La ricerca conclude che, sebbene non si possa eliminare completamente la sfocatura causata dai limiti dello scanner, è possibile modellarla e sottrarla in misura significativa. La correzione è più efficace quando le pieghe del cervello portano parti distanti e con risposte differenti vicine tra loro, e quando le immagini non sono troppo nitide sin dall'inizio. In queste situazioni specifiche, il metodo recupera un'immagine più chiara di come è organizzato il cervello. Lo studio fornisce un insieme di strumenti e mappe che altri scienziati possono utilizzare per controllare i propri dati alla ricerca di questo tipo di mescolamento. Non risolve ogni problema nell'imaging cerebrale e richiede una configurazione accurata, ma offre un modo concreto per migliorare l'accuratezza delle mappe cerebrali in situazioni in cui l'approccio standard lascia troppo segnale mescolato. Il lavoro evidenzia che comprendere la geometria del cervello è importante quanto la tecnologia utilizzata per scansionarlo e che, a volte, il modo migliore per vedere chiaramente il cervello è matematicamente annullare la confusione causata dalla sua stessa forma.