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

Para compreender o sistema visual do cérebro, os cientistas utilizam frequentemente uma técnica chamada imagem por ressonância magnética funcional, ou fMRI. Este método cria um mapa tridimensional do cérebro ao detetar pequenas alterações no fluxo sanguíneo que ocorrem quando os neurónios disparam. No entanto, o cérebro não é uma superfície lisa e plana; é uma folha de tecido profundamente dobrada, muito semelhante a um pedaço de papel amarrotado. Para dar sentido aos dados, os investigadores costumam projetar estas imagens tridimensionais num mapa bidimensional plano da superfície do cérebro. Isto ajuda-os a perceber como diferentes áreas estão organizadas, tal como a forma como o córtex visual mapeia o mundo que vemos. Mas este processo tem uma falha. Devido ao facto de o cérebro ser dobrado, dois pontos que estão distantes na superfície podem acabar por ficar muito próximos no espaço tridimensional do scanner. Quando o scanner tira uma fotografia, captura um pequeno bloco de tecido e, se esse bloco contiver duas partes distantes do cérebro dobrado, o sinal fica misturado. Isto é como tentar ouvir duas estações de rádio diferentes que estão a transmitir na mesma frequência; o resultado é um sinal confuso onde é difícil distinguir qual é qual. Esta mistura torna-se pior quando as imagens não são perfeitamente nítidas, o que acontece frequentemente em varreduras do mundo real.

Um investigador chamado Halil Aziz Velioğlu propôs-se a resolver este problema específico de mistura de sinais nos mapas cerebrais. O objetivo era descobrir exatamente quanto do sinal de uma parte do cérebro está a ser contaminado por um sinal de uma parte distante e dobrada do cérebro e, depois, encontrar uma forma de o limpar. O investigador construiu um modelo matemático detalhado que atua como uma lente de visão frontal. Em vez de apenas olhar para a imagem final desfocada, este modelo calcula exatamente como a física do scanner e as dobras únicas do cérebro combinam para desfocar os sinais. Ele prevê, para cada ponto individual na superfície do cérebro, quanto do seu sinal provém realmente de um vizinho distante e dobrado, em vez do tecido local. Esta previsão é chamada de "mapa de fuga" (leakage map). O investigador utilizou então este mapa para criar um método de correção. Ao inverter o processo de mistura descrito no modelo, o método tenta separar o verdadeiro sinal local do ruído distante, efetivamente nitidando o mapa e restaurando o contraste entre diferentes áreas cerebrais.

O estudo testou esta ideia utilizando dados de várias coleções públicas de varreduras cerebrais, incluindo imagens de alta resolução tiradas com um poderoso scanner de 7 Tesla e imagens padrão de scanners de 3 Tesla. Os investigadores verificaram primeiro se o seu modelo conseguia prever com precisão como os mapas mudariam se as imagens fossem tornadas mais desfocadas, um processo que simularam no computador. Descobriram que o modelo era extraordinariamente preciso. Previu corretamente que, em áreas onde o cérebro dobra-se apertadamente, como os sulcos profundos do córtex visual, uma quantidade significativa de sinal do lado oposto da dobra estava a vazar para a medição local. Nas imagens mais nítidas, esta fuga era pequena, mas à medida que a resolução era reduzida para imitar scanners menos potentes, a fuga crescia, afetando até 22% da superfície do cérebro em algumas simulações. O modelo mostrou que esta mistura não era apenas um desfoque geral; era uma contaminação específica onde os sinais de um lado de uma dobra estavam a ser misturados com os sinais do outro lado, que frequentemente representam partes completamente diferentes do mundo visual.

Em seguida, os investigadores testaram se o seu método de correção conseguia realmente melhorar os mapas. Compararam o seu novo método com as formas padrão de processar imagens cerebrais, que envolvem geralmente o suavizamento ou a média simples. Os resultados mostraram que o novo método funcionava melhor quando a mistura era forte. Nos dados de alta resolução, a correção reduziu o erro nos mapas numa quantidade perceptível, particularmente nas áreas onde o cérebro dobra-se apertadamente. A melhoria foi mais visível ao observar como o cérebro mapeia o ângulo de visão; os mapas corrigidos mantiveram as fronteiras distintas entre diferentes campos visuais muito mais nítidas do que os métodos padrão. Os investigadores também descobriram que o benefício da correção dependia do tipo de estímulo visual. Quando o cérebro era apresentado a um padrão que fazia diferentes partes do cérebro dobrado responderem de formas opostas, a mistura era um problema grave, e a correção ajudava muito. No entanto, quando o estímulo fazia as partes distantes da dobra responderem da mesma forma, a mistura era menos prejudicial, e a correção oferecia pouco benefício. Isto confirmou que o problema não era apenas sobre o desfoque, mas sobre a forma específica como diferentes áreas cerebrais estavam a ser confundidas umas com as outras.

O estudo também analisou se esta correção funcionaria em dados de scanners padrão de 3 Tesla, que são mais comuns em hospitais e laboratórios de investigação. Aqui, os resultados foram mais mistos. Quando as imagens foram tornadas duas vezes mais desfocadas, o método de correção mostrou uma melhoria clara, ajudando a recuperar detalhes que tinham sido perdidos no processamento padrão. No entanto, quando as imagens estavam apenas ligeiramente mais desfocadas, a correção não proporcionou um benefício fiável sobre os métodos mais simples. Isto sugere que a técnica é mais útil quando os dados são bastante grosseiros ou quando as dobras do cérebro estão a causar uma mistura severa. Os investigadores também testaram o método em dados de diferentes sessões de varredura realizadas em dias diferentes. Nestes casos, a correção não melhorou consistentemente os resultados, provavelmente porque pequenas diferenças na forma como o cérebro estava posicionado no scanner ou em como as imagens foram processadas sobrepujaram as subtis correções que o modelo estava a tentar realizar.

Uma das descobertas mais importantes foi que os investigadores conseguiam prever onde a correção seria mais útil sem necessidade de ver a atividade cerebral final primeiro. Ao utilizar um mapa da anatomia do cérebro e um atlas padrão de como o sistema visual está organizado, eles podiam estimar quais as áreas que sofreriam com mais mistura. Isto significa que, no futuro, os cientistas poderiam observar a varredura cerebral de um paciente, verificar a anatomia e decidir antecipadamente se aplicar esta correção valeria o tempo de computação extra. O estudo não afirmou ter criado uma imagem de "super-resolução" que revela detalhes nunca antes vistos. Em vez disso, mostrou que, ao compreender a física do scanner e a geometria do cérebro, é possível desfazer parte da mistura que ocorre naturalmente. O método não funciona perfeitamente em todo o lado e depende de o cérebro estar posicionado corretamente no scanner, mas oferece uma nova ferramenta para limpar os mapas cerebrais, especialmente nas regiões profundas e dobradas onde os métodos padrão têm dificuldades.

A investigação conclui que, embora não possamos eliminar completamente o desfoque causado pelos limites do scanner, podemos modelá-lo e subtraí-lo até um certo grau. A correção é mais eficaz quando as dobras do cérebro trazem áreas distantes e de respostas diferentes para perto umas das outras, e quando as imagens não são demasiado nítidas para começar. Nestas situações específicas, o método recupera uma imagem mais clara de como o cérebro está organizado. O estudo fornece um conjunto de ferramentas e mapas que outros cientistas podem usar para verificar os seus próprios dados para este tipo de mistura. Não resolve todos os problemas da imagem cerebral e requer uma configuração cuidadosa, mas oferece uma forma concreta de melhorar a precisão dos mapas cerebrais em situações onde a abordagem padrão deixa demasiado sinal misturado. O trabalho destaca que compreender a geometria do cérebro é tão importante quanto a tecnologia utilizada para o varrer e que, por vezes, a melhor forma de ver o cérebro claramente é matematicamente desfazer a confusão causada pela sua própria forma.