Block-Term Decomposition Approach to Blind Multi-trial Functional Ultrasound Unmixing

Resumo Técnico: Uma Abordagem de Decomposição de Termos em Bloco para Desmistificação de Ultrassom Funcional Cego Multi-tentativa

Definição do Problema
O ultrassom funcional (fUS) é uma modalidade de neuroimagem de alta resolução que mede mudanças no volume sanguíneo cerebral para inferir a atividade neuronal via acoplamento neurovascular (NVC). No entanto, os sinais de fUS fornecem apenas observações indiretas, exigindo a separação cega de fontes neuronais latentes e a deconvolução de suas respostas hemodinâmicas. Os métodos de desmistificação cega existentes frequentemente enfrentam desafios ao estimar conjuntamente mapas espaciais, sinais de ativação temporal e funções de resposta hemodinâmica (HRF), particularmente ao lidar com dados de múltiplas tentativas (multi-trial), onde a média das tentativas pode simplificar excessivamente as respostas fisiológicas. Abordagens anteriores, como métodos de duas etapas, correm o risco de propagação de erro da estimativa da assinatura temporal para a etapa de deconvolução. Além disso, embora alguns modelos considerem a variabilidade das tentativas, eles frequentemente carecem de restrições fisiológicas sobre a forma da HRF ou falham em impor a estrutura de baixo posto (low-rank) inerente aos mapas espaciais na neuroimagem.

Metodologia
Os autores propõem um modelo de decomposição de termos em bloco convolutiva (convBTD) orientado por dados, adaptado para medições de fUS de múltiplas tentativas. A inovação central reside em modelar a NVC como um sistema linear invariante no tempo (LTI), onde o sinal medido é a convolução de um sinal de ativação neuronal de constante por partes com uma HRF dependente da tentativa e da fonte.

Principais características de modelagem incluem:

1. Formulação Tensorial: Os dados de múltiplas tentativas são organizados em um tensor de quarta ordem, remodelado em um tensor de terceira ordem $\mathbf{X} \in \mathbb{R}^{N_s \times N_t \times K}$ (onde $N_s$ é o número de pixels, $N_t$ amostras de tempo e $K$ tentativas).
2. Estrutura Espacial de Baixo Posto: Diferente do CPD convolutivo (convCPD) padrão que vetoriza mapas espaciais, este modelo impõe uma estrutura rank-$(L_r, L_r, 1)$ sobre os mapas espaciais ($\mathbf{U}_r$). Isso permite que cada mapa espacial de uma fonte seja representado como uma soma de um pequeno número de produtos de Kronecker, consistente com o atlas probabilístico de aprendizado de dicionário multisujeito e estudos anteriores de fUS.
3. Restrições Fisiológicas:
   • Mapas Espaciais: Restritos a serem não-negativos e de baixo posto.
   • Sinais de Ativação: Assumidos como constantes por partes, impostos via regularização de Variação Total (TV).
   • HRFs: Modeladas usando uma forma de função gama fisiologicamente plausível (Equação 5), permitindo variações dependentes da tentativa e da fonte, em vez de uma HRF canônica fixa.
4. Estrutura de Otimização: O problema de estimativa conjunta é formulado como uma tarefa de otimização restrita que minimiza um termo de fidelidade de dados e um termo de regularização TV. A solução utiliza um algoritmo de Descida de Coordenadas em Bloco (BCD) onde as variáveis ($\mathbf{U}, \mathbf{Z}, \mathbf{H}$) são atualizadas alternadamente usando Descida de Gradiente Projetada (PGD).
   • As atualizações para $\mathbf{U}$ envolvem projeções alternadas no ortante não-negativo e no conjunto de matrizes de baixo posto (via SVD truncada).
   • As atualizações para $\mathbf{H}$ envolvem a projeção no manifold da HRF usando ajuste de curva de Mínimos Quadrados Não-Lineares (NLS).
   • As atualizações para $\mathbf{Z}$ utilizam um operador proximal para lidar com o termo TV não suave.

Principais Contribuições
Os autores identificam duas contribções primárias:

1. Extensão de Trabalho Anterior: Os autores estendem o modelo BTD rank-$(L_r, L_r, 1)$ de [10] para um cenário mais realista envolvendo HRFs dependentes da tentativa e/ou da fonte. Crucialmente, eles fundem as etapas anteriormente separadas de separação de fontes e deconvolução em um único framework de otimização conjunta para mitigar a propagação de erro.
2. Melhorias Estruturais e Fisiológicas sobre o convCPD: Comparado aos modelos de CPD invariante ao deslocamento (shiftCPD) e CPD convolutivo (convCPD) (ex: [25]), este trabalho promove explicitamente a estrutura de baixo posto dos mapas espaciais em vez de vetorizá-los. Adicionalmente, ele anexa uma interpretação fisiológica específica aos filtros dependentes da tentativa ao restringi-los a uma forma de HRF de função gama, em vez de tratá-los como respostas de impulso esparsas genéricas.

Resultados de Simulação
Os autores avaliaram o método usando dados sintéticos de fUS de múltiplas tentativas com $R=2$ fontes, $K=4$ tentativas e variando a Relação Sinal-Ruído (SNR) de -5 dB a 20 dB.

• Mapas Espaciais: O método demonstrou alta precisão na recuperação de mapas espaciais em todos os níveis de SNR, com erros relativos medianos em torno de 0,1 em -5 dB, diminuindo conforme o SNR aumentava.
• Sinais de Ativação: Perfis de ativação temporal foram estimados de forma confiável, embora com erros medianos ligeiramente superiores (~0,2) comparados aos mapas espaciais.
• Estimativa de HRF: Os autores observam que a estimativa da HRF continua sendo o aspecto mais desafiador do problema. Embora os erros medianos fossem comparáveis aos outros componentes (~0,2), a variabilidade (percentil 75 e outliers) foi significamente maior. Isso é atribuído à ambiguidade inerente à deconvolução, onde pequenas mudanças em um fator (ex: tempo de ativação) podem ser compensadas por mudanças opostas no outro (forma da HRF) enquanto mantêm um bom ajuste de dados.
• Robustez: O método mostrou robustez à inicialização, com o desempenho usando a inicialização que minimizou o erro de reconstrução de dados (um cenário prático sem ground truth) sendo apenas marginalmente inferior à utilização da inicialização "oracle-best".

Significância e Alegações
O artigo posiciona este trabalho como um primeiro passo em um projeto de pesquisa visando desenvolver uma metodologia completa baseada em tensores para decomposição cega de fUS. Os autores alegam modestamente que o framework proposto demonstra com sucesso:

• A viabilidade de estimar conjuntamente mapas espaciais, sinais de ativação e HRFs dependentes de tentativa de maneira orientada por dados.
• A capacidade de recuperar mapas espaciais e perfis de ativação com precisão razoável através de vários níveis de ruído.
• A confirmação de que, enquanto a recuperação espacial e temporal é robusta, a estimativa da HRF permanece o gargalo devido à ambiguidade convolutiva.

Os autores declaram explicitamente que a abordagem atual assume que o número de fontes ($R$) e seus ranks espaciais ($L_r$) são conhecidos a priori, uma limitação que pretendem abordar em trabalhos futuros através de diagnósticos de consistência central ou inferência Bayesiana. Eles também observam que, embora o estudo atual foque em dados de sujeito único, o framework pode ser estendido para configurações de múltiplos sujeitos com o registro anatômico apropriado.