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

Om het visuele systeem van de hersenen te begrijpen, gebruiken wetenschappers vaak een techniek genaamd functionele magnetische resonantie beeldvorming, of fMRI. Deze methode creëert een driedimensionale kaart van de hersenen door minuscule veranderingen in de bloedstroom te detecteren die optreden wanneer neuronen vuren. De hersenen zijn echter geen glad, plat oppervlak; het is een diep gevouwen weefselplaat, vergelijkbaar met een gekreukeld stuk papier. Om de gegevens te interpreteren, projecteren onderzoekers deze driedimensionele beelden meestal op een platte, tweedimensionale kaart van het hersenoppervlak. Dit helpt hen te zien hoe verschillende gebieden georganiseerd zijn, zoals hoe de visuele cortex de wereld die we zien in kaart brengt. Maar dit proces heeft een gebrek. Omdat de hersenen gevouwen zijn, kunnen twee punten die ver uit elkaar liggen op het oppervlak, in de driedimensionale ruimte van de scanner heel dicht bij elkaar terechtkomen. Wanneer de scanner een foto maakt, legt deze een klein blok weefsel vast, en als dat blok twee verre delen van de gevouwen hersenen bevat, wordt het signaal vermengd. Dit is als het proberen te luisteren naar twee verschillende radiostations die op dezelfde frequentie uitzenden; het resultaat is een vervormd signaal waarbij het moeilijk is om te onderscheiden welk station welk station is. Deze vermenging wordt erger wanneer de beelden niet perfect scherp zijn, wat vaak het geval is bij echte scans.

Een onderzoeker genaamd Halil Aziz Velioğlu zette zich af om dit specifieke probleem van signaalvermixing in hersenkaarten op te lossen. Het doel was om precies te achterhalen hoeveel een signaal van één deel van de hersenen wordt gecontamineerd door een signaal van een ander, gevouwen deel van de hersenen, en vervolgens een manier te vinden om dit op te schonen. De onderzoeker bouwde een gedetailleerd wiskundig model dat fungeert als een vooruitziende lens. In plaats van alleen naar het uiteindelijke wazige plaatje te kijken, berekent dit model exact hoe de fysica van de scanner en de unieke vouwen van de hersenen gecombineerd de signalen vervagen. Het voorspelt voor elk afzonderlijk punt op het hersenoppervlak hoeveel van zijn signaal daadwerkelijk afkomstig is van een verre, naar binnen gevouwen buurman in plaats van het lokale weefsel. Deze voorspelling wordt een "lekkaart" genoemd. De onderzoeker gebruikte deze kaart vervolgens om een correctiemethode te creëren. Door het mixproces beschreven in het model om te keren, probeert de methode het ware lokale signaal te scheiden van de verre ruis, waardoor de kaart effectief wordt aangescherpt en het contrast tussen verschillende hersengebieden wordt hersteld.

De studie testte dit idee met behulp van gegevens uit verschillende grote publieke collecties van hersenscans, waaronder hoogresolutiebeelden gemaakt met een krachtige 7-tesla scanner en standaardbeelden van 3-tesla scanners. De onderzoekers controleerden eerst of hun model nauwkeurig kon voorspellen hoe de kaarten zouden veranderen als de beelden waziger zouden worden gemaakt, een proces dat ze op de computer simuleerden. Ze ontdekten dat het model opmerkelijk accuraat was. Het voorspelde correct dat in gebieden waar de hersenen strak gevouwen zijn, zoals de diepe groeven van de visuele cortex, een aanzienlijke hoeveelheid signaal van de tegenoverliggende kant van de vouw in de lokale meting lekte. In de scherpste beelden was deze lekkage klein, maar naarmate de resolutie werd verlaagd om minder krachtige scanners na te bootsen, nam de lekkage toe, waarbij in sommige simulaties tot 22% van het hersenoppervlak werd beïnvloed. Het model toonde aan dat deze vermenging niet slechts een algemene onscherpte was; het was een specifieke contaminatie waarbij signalen van de ene kant van een vouw werden vermengd met signalen van de andere kant, die vaak totaal andere delen van de visuele wereld vertegenwoordigen.

Vervolgens testten de onderzoekers of hun correctiemethode de kaarten daadwerkelijk kon verbeteren. Ze vergeleken hun nieuwe methode met standaard manieren om hersenbeelden te verwerken, die meestal eenvoudige smoothing of middeling omvatten. De resultaten toonden aan dat de nieuwe methode het beste werkte wanneer de vermenging sterk was. In de hoogresolutiedata verminderde de correctie de fout in de kaarten met een merkbaar deel, met name in de gebieden waar de hersenen strak gevouwen zijn. De verbetering was het meest zichtbaar bij het bekijken van hoe de hersenen de hoek van het gezichtsveld in kaart brengen; de gecorrigeerde kaarten hielden de duidelijke grenzen tussen verschillende gezichtsvelden veel scherper dan de standaardmethoden deden. De onderzoekers ontdekten ook dat het voordeel van de correctie afhankelijk was van het type visuele stimulus. Wanneer de hersenen een patroon kregen te zien dat ervoor zorgde dat verschillende delen van de gevouwen hersenen tegengesteld reageerden, was de vermenging een groot probleem en hielp de correctie veel. Echter, wanneer de stimulus de verre delen van de vouw op dezelfde manier liet reageren, was de vermenging minder schadelijk en bood de correctie weinig voordeel. Dit bevestigde dat het probleem niet alleen over onscherpte ging, maar over de specifieke manier waarop verschillende hersengebieden met elkaar werden verward.

De studie onderzocht ook of deze correctie zou werken op gegevens van standaard 3-tesla scanners, die gebruikelijker zijn in ziekenhuizen en onderzoekslaboratoria. Hier waren de resultaten gemengder. Wanneer de beelden twee keer zo wazig werden gemaakt, toonde de correctiemethode een duidelijke verbetering, waarbij details die verloren waren gegaan in de standaardverwerking werden hersteld. Echter, wanneer de beelden slechts iets waziger waren, bood de correctie geen betrouwbaar voordeel ten opzichte van eenvoudigere methoden. Dit suggereert dat de techniek het meest nuttig is wanneer de gegevens vrij grof zijn of wanneer de hersenvouwen voor ernstige vermenging zorgen. De onderzoekers testten de methode ook op gegevens van verschillende scansessies die op verschillende dagen waren genomen. In deze gevallen verbeterde de correctie de resultaten niet consistent, waarschijnlijk omdat kleine verschillen in hoe de hersenen in de scanner waren gepositioneerd of hoe de beelden werden verwerkt, de subtiele correcties die het model probeerde aan te brengen, overstemden.

Een van de belangrijkste bevindingen was dat de onderzoekers konden voorspellen waar de correctie het meest nuttig zou zijn zonder eerst de uiteindelijke hersenactiviteit te hoeven zien. Door een kaart van de anatomie van de hersenen te gebruiken en een standaard atlas van hoe het visuele systeem is georganiseerd, konden zij inschatten welke gebieden het meest last zouden hebben van vermenging. Dit betekent dat wetenschappers in de toekomst een scan van een patiënt kunnen bekijken, de anatomie kunnen controleren en vooraf kunnen beslissen of het toepassen van deze correctie de extra rekentijd waard is. De studie beweerde niet een "superresolutie"-beeld te hebben gecreëerd dat details onthult die nooit eerder zijn gezien. In plaats daarvan toonde het aan dat het, door de fysica van de scanner en de geometrie van de hersenen te begrijpen, mogelijk is om een deel van de vermenging die van nature voorkomt, ongedaan te maken. De methode werkt niet overal perfect en is afhankelijk van de juiste positionering van de hersenen in de scanner, maar het biedt een nieuw instrument om hersenkaarten op te schonen, vooral in de diepe, gevouwen regio's waar standaardmethoden moeite hebben.

Het onderzoek concludeert dat hoewel we de door de scanner beperkingen veroorzaakte onscherpte niet volledig kunnen elimineren, we deze wel kunnen modelleren en in een aanzienlijke mate kunnen aftrekken. De correctie is het meest effectief wanneer de vouwen van de hersenen afstandelijke, verschillend reagerende gebieden dicht bij elkaar brengen, en wanneer de beelden niet te scherp zijn van oorsprong. In deze specifieke situaties herstelt de methode een duidelijker beeld van hoe de hersenen georganiseerd zijn. De studie biedt een reeks instrumenten en kaarten die andere wetenschappers kunnen gebruiken om hun eigen gegevens te controleren op deze vorm van vermenging. Het lost niet elk probleem in de hersenbeeldvorming op en vereist een zorgvuldige opstelling, maar het biedt een concrete manier om de nauwkeurigheid van hersenkaarten te verbeteren in situaties waarin de standaardbenadering te veel signaal laat vermengen. Het werk benadrukt dat het begrijpen van de geometrie van de hersenen even belangrijk is als de technologie die wordt gebruikt om ze te scannen, en dat de beste manier om de hersenen helder te zien soms is om de verwarring die door hun eigen vorm wordt veroorzaakt, wiskundig ongedaan te maken.