Análisis de neuroimágenes funcionales

Una de las primeras soluciones de AFNI mejoró el método para transformar las imágenes cerebrales individuales en un espacio estandarizado compartido. Dado que el cerebro de cada persona es único en tamaño y forma, comparar varios cerebros requiere deformarlos (rotarlos, escalarlos, etc.) para que adopten una forma estándar. Desafortunadamente, los datos de resonancia magnética funcional (RMf) disponibles durante el desarrollo de AFNI tenían una resolución demasiado baja para realizar transformaciones efectivas. En su lugar, los investigadores utilizan imágenes cerebrales anatómicas de mayor resolución, que suelen obtenerse al inicio de la sesión de imagen.

AFNI permite a los investigadores superponer una imagen funcional a la anatómica, proporcionando herramientas para alinear ambas en el mismo espacio. Los procesos empleados para deformar una exploración anatómica individual al espacio estándar se aplican también a la exploración funcional, mejorando así el proceso de transformación. ^{[ 6 ]}

Otra función disponible en AFNI es la herramienta SUMA, desarrollada por Ziad Saad. Esta herramienta permite a los usuarios proyectar los datos 2D sobre un mapa de la superficie cortical en 3D. De esta forma, los investigadores pueden visualizar los patrones de activación teniendo en cuenta más fácilmente las características físicas de la corteza, como las circunvoluciones. ^{[ 7 ]}

"afni_proc.py" es un script predefinido que procesará datos de fMRI de un solo sujeto mediante una serie de pasos de preprocesamiento, comenzando con los datos brutos. La configuración predeterminada realizará los siguientes pasos de preprocesamiento y finalizará con un análisis de regresión básico: ^{[ 8 ]}

1. Sincronización de cortes: ^{[ 9 ]} Cada imagen cerebral 3D se compone de múltiples imágenes 2D, "cortes". Aunque se adquieren aproximadamente al mismo tiempo, pueden transcurrir hasta varios segundos entre el primer corte adquirido y el último. Mediante interpolación, los cortes se alinean al mismo punto temporal. Generalmente, se considera que cualquier ruido introducido por errores de interpolación se ve compensado por mejoras en la señal. ^{[ 10 ]}
2. Corrección de movimiento: Los movimientos de la cabeza pueden generar errores en el análisis. Cada adquisición 3D en un escaneo se registra en una cuadrícula 3D, donde cada pequeño cubo del espacio de la cuadrícula, denominado " vóxel ", representa un único valor de intensidad de imagen. Idealmente, los vóxeles siempre representarán la misma parte del cerebro en cada adquisición, en lugar de variar de una imagen 3D a otra. Para corregir pequeños artefactos de movimiento, la herramienta de corrección de movimiento de AFNI emplea un algoritmo de mínimos cuadrados lineales que intenta alinear cada imagen 3D adquirida con la primera imagen adquirida en el escaneo. ^{[ 11 ]}
3. Suavizado: Para tener en cuenta el ruido aleatorio en la imagen, se aplica un núcleo de suavizado. Si bien el suavizado puede aumentar la relación señal-ruido de la imagen, reduce su resolución. ^{[ 12 ] [ 13 ]}
4. Máscara: Elimina de la imagen de resonancia magnética funcional cualquier área que no sea el cerebro, como el cráneo.
5. Escala: Escala cada vóxel de modo que los cambios de intensidad representen el porcentaje de cambio de señal a lo largo del escaneo. Por defecto, la media de cada vóxel es igual a 100.