Mapas de resonancia magnética funcional obtenidos con

Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
ORIGINALES
Ma p a s d e re s o na nc ia m a g né tic a fu nc io na l
o b te nid o s c o n PC
Francisco José Gómez* • José Vicente Manjón* • Luis Martí-Bonmatí** • Enrique Mollá*** • Rosa Dosdá** • Montserrat Robles*
*Grupo de Informática Médica. Universidad Politécnica de Valencia. **Servicio de Resonancia Magnética. Clínica «Quirón». Valencia.
***Departamento de Ciencias Morfológicas. Universitat de Valencia.
Functional magnetic resonance maps
obtained by personal computer
Objetivos: El estudio de resonancia magnética funcional (RMf) tiene una especial relevancia en el análisis de diversas activaciones cerebrales. En este trabajo se describe el desarrollo de un programa informático para PC que analiza estas imágenes para obtener mapas de activación funcional de una forma sencilla.
Objectives: Functional magnetic resonance (fMR) is of special relevance in the analysis of certain types of brain activation. The present
report describes the development of a simple software program for use
with personal computers (PCs) that analyzes these images and provides functional activation maps.
Material y Métodos: Los mapas de activación se basan en las diferencias temporales de oxihemoglobina en un plano tomográfico. Para
detectar estas diferencias se comparan las intensidades registradas repetidamente durante dos estados distintos del cerebro, control y activación. Los experimentos se han realizado en un equipo de RM de 1,5
Teslas. Para comprobar el correcto funcionamiento del programa se
han realizado estudios de RMf en cuatro sujetos sanos (12 cortes contiguos, 80 imágenes por corte cada 3,1 segundos, 960 imágenes totales).
Todas las imágenes se transfirieron a un PC. El procesamiento de las
imágenes se hizo píxel a píxel dentro de cada secuencia, obteniéndose
una curva de intensidad/tiempo. El análisis mediante métodos estadísticos (t de Student y correlación cruzada) permite decidir la activación
de cada píxel. En la preparación de las imágenes se usó filtrado espacial, filtrado temporal, corrección de la línea base, normalización y
segmentación del parénquima. En el posprocesado del resultado se usó
la eliminación de píxeles aislados, superposición de una imagen anatómica de mayor resolución espacial y el filtrado anti-aliasing.
Material and methods: Activation maps are based on the temporal
differences in oxyhemoglobin in tomographic images. To detect these
differences, intensities registered repeatedly during brain control and
activation are compared. The experiments were performed with a 1.5Tesla MR unit. To verify the reliability of the program, fMR studies
were carried out in 4 healthy individuals (12 contiguous slices, 80 images per slice every 3.1 seconds for a total of 960 images). All the images were transferred to a PC and were processed pixel by pixel within
each sequence to obtain an intensity/time curve. The statistical study
of the results (Student’s test and cross correlation analysis) made it
possible to establish the activation of each pixel. The images were prepared using spatial filtering, temporal filtering, baseline correction,
normalization and segmentation of the parenchyma. The postprocessing of the results involved the elimination of single pixels, superposition of an anatomical image of greater spatial resolution and anti-aliasing.
Resultados: La aplicación (Xfun 1.0, Valencia) se ha desarrollado
en el entorno Microsoft Visual C++ 5.0 Developer Studio para
Windows NT Workstation. En un ejemplo representativo el programa
tardó 8,2 segundos para calcular y presentar los resultados de un estudio completo (12 mapas funcionales). En los experimentos de activación motora y visual se observó la activación correspondiente a regiones próximas al surco central del hemisferio contralateral a la mano
que ejercía la acción y en la corteza occipital.
Results: The application (Xfun 1.0, Valencia, Spain) was developed
in Microsoft Visual C++ 5.0 Developer Studio for Windows NT
Workstation. As a representative example, the program took 8.2 seconds to calculate and present the results of the entire study (12 functional maps). In the motor and visual activation experiments, the activation corresponding to regions proximal to the central sulcus of the
hemisphere contralateral to the hand that moved and in the occipital
cortex were observed.
Discusión: Si bien existen programas que calculan mapas de activación, el desarrollo de un programa para PC en entorno Windows tiene
unas características clave para su utilización rutinaria: facilidad de manejo y alta capacidad de cómputo. La aplicación desarrollada es capaz
de discriminar cuáles son las zonas del cerebro que se activan como
respuesta a un estímulo de las que no se modifican.
Discussion: While programs that calculate activation maps are available, the development of software for PCs running Microsoft
Windows ensures several key features for its use on a daily basis: it is
easy to employ and has powerful computing capabilities. The program
described here is capable of differentiating between the regions of the
brain that are activated in response to a stimulus and those that remain
unaltered.
Palabras clave: Resonancia magnética, funcional. Resonancia magnética, tratamiento de imagen. Cerebro, función.
Key words: Magnetic resonance, functional. Magnetic resonance, image processing. Brain, function.
Gómez FJ, Manjón JV, Martí-Bonmatí L, et al. Mapas de Resonancia Magnética
funcional obtenidos con PC. Radiología 2001;43(2):55-61.
C
Correspondencia:
LUIS MARTÍ-BONMATÍ. Servicio de Resonancia Magnética. «Clínica
Quirón». Avda. Blasco Ibañéz, 14. 46010 Valencia. E-mail: rmquironv@fact
o
r
y
w
.
c
o
m
Recibido: 7-VII-2000.
Aceptado: 15-II-2001.
Radiología 2001;43(2):55-61
onocer la organización y estructuración funcional del cerebro humano ha preocupado a la comunidad científica durante siglos. En la actualidad, gracias a la aparición de la tomografía
por emisión de positrones (PET) y la resonancia magnética
(RM), se está logrando conocer con cierta exactitud los mecanismos de la función cerebral (1-3). A los mapas de activación cerebral obtenidos mediante RM se les conoce como RM funcional
55
Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
Gómez, F. J., y cols. — Mapas de resonancia magnética funcional obtenidos con PC
(RMf, fMRI). Estos mapas muestran qué zonas del cerebro se
«activan» cuando el individuo realiza una tarea o percibe un estímulo (p.e. mueve una mano, ve u oye).
Para obtener las imágenes de RMf no se inyecta en el paciente
ningún tipo de material de contraste. La variación que se produce en la señal de RM se debe a cambios en las propiedades magnéticas de la sangre. Estas variaciones son tan pequeñas que no
se pueden apreciar a simple vista, por lo que es necesario utilizar
métodos estadísticos para su detección.
Los estudios de PET han demostrado que la activación neuronal induce un aumento local en el flujo sanguíneo cerebral (CBF,
«Cerebral Blood Flow»). Este aumento del CBF es consecuencia
de la reducción de la resistencia arterial, provocada, a su vez, por
un aumento en el volumen sanguíneo cerebral (CBV, «Cerebral
Blood Volume»). Un aumento del flujo sanguíneo siempre conlleva un incremento del suministro de oxígeno a la zona hiperémica, ya que el oxígeno es transportado por la hemoglobina. De
gran relevancia es el hecho de que durante la activación neuronal
el aumento en el suministro de oxígeno supera al aumento de su
consumo. Por ello se produce un aumento en la concentración de
hemoglobina saturada de oxígeno en la zona activada. La diferencia local entre el suministro y el consumo de oxígeno resulta
en un aumento de la oxigenación de la sangre más allá de la zona activada, entre los capilares y el sistema venoso.
Utilizando RMf, se pueden utilizar los cambios locales de
CBF, CBV y de la saturación del oxígeno en la hemoglobina, ya
que estos efectos son inducidos por la activación de las neuronas
al realizar una tarea específica. En la actualidad, la técnica que
más se utiliza es la denominada BOLD («blood oxygenation level dependant contrast», contraste dependiente del nivel de oxigenación de la sangre) (1-4). Esta técnica se basa principalmente
en los cambios inducidos por las variaciones en la oxigenación
sanguínea. El nivel de la saturación de oxígeno de la sangre determina la intensidad del campo magnético dentro y en las proximidades de los vasos. Si este campo magnético es diferente al
que existe en el tejido extravascular se producen heterogeneidades en el campo. Estas heterogeneidades afectan a la intensidad
de la señal de RM.
El plasma sanguíneo y el espacio extravascular son medios
diamagnéticos que presentan valores casi idénticos de susceptibilidad magnética. La hemoglobina de los glóbulos rojos está
compuesta de un grupo hemo que contiene hierro, y de dos pares
de cadenas polipeptídicas llamadas en conjunto globina. La asociación de oxígeno a la hemoglobina depende de la presión parcial del oxígeno. Si la hemoglobina no tiene oxígeno (desoxihemoglobina), el átomo de hierro del grupo hemo está en un estado
ferroso (Fe2+) caracterizado por tener cuatro de sus seis electrones de la capa más exterior desemparejados. Los espines de los
electrones desemparejados proporcionan un momento magnético
neto importante, y las propiedades paramagnéticas asociadas la
hacen comportarse como lo haría un agente paramagnético exógeno de contraste. Si la molécula de hemoglobina captura una
molécula de oxígeno, ésta transfiere uno de sus electrones a la
molécula de oxígeno desapareciendo así el momento magnético
y, en consecuencia, el efecto paramagnético (4). Por tanto, puede
decirse que la oxihemoglobina es una sustancia diamagnética y
que la desoxihemoglobina es paramagnética.
El efecto del estado oxidado de la hemoglobina en su susceptibilidad magnética es conocido desde hace tiempo. Como consecuencia de la presencia de deoxihemoglobina, la sangre presenta una mayor susceptibilidad magnética, en términos alge-
56
braicos, que los tejidos del espacio extravascular. Cuanto más
aumente la concentración de desoxihemoglobina, mayor será la
susceptibilidad magnética de la sangre. La diferencia de la susceptibilidad magnética entre sangre desoxigenada y sangre completamente oxigenada es del orden de 9,5 × 10-7 (asumiendo un
hematócrito de 0,42).
El tejido cerebral, como cualquier otro tejido biológico, es
magnéticamente heterogéneo. La vascularización del cerebro
contiene sangre que, atendiendo a la concentración de deoxihemoglobina, puede presentar una susceptibilidad magnética diferente del medio extravascular. El campo magnético se perturba
por la diferencia entre las susceptibilidades magnéticas (∆χ) de
los medios intravascular y extravascular. La intensidad de esta
perturbación es proporcional a ∆χ y a la magnitud B0 del campo
magnético. Además, decrece rápidamente al aumentar la distancia al centro del vaso.
La vascularización cerebral está formada por una gran cantidad
de vasos sanguíneos clasificados en arterias, arteriolas, capilares,
vénulas y venas. La susceptibilidad magnética de la sangre altamente saturada de oxígeno es muy similar a la susceptibilidad de
los tejidos del medio extravascular. Además, ésta no varía con la
activación neuronal. Por tanto, los vasos que contienen sangre arterial no introducen heterogeneidad magnética. En cambio, la
oxigenación sanguínea en los capilares, venas y vénulas es mucho menor que la arterial, siendo por ello la susceptibilidad magnética de la sangre venosa mayor que la de los tejidos que la rodean. La diferencia entre las susceptibilidades magnéticas de la
sangre y del tejido extravascular depende del nivel de saturación
de la hemoglobina. La tasa de saturación varía con la activación
neuronal. El contraste BOLD se basa en los cambios funcionales
que se producen en el campo magnético que rodea a los vasos,
especialmente en la parte venosa del lecho vascular intracraneal,
observados por variaciones en el tiempo de relajación T2*.
Las secuencias de pulsos con mayor sensibilidad a los cambios en la constante T2* y que, al mismo tiempo, nos permiten
una más rápida adquisición de las imágenes en varios cortes son
las secuencias Eco Planares basadas en inversiones de gradientes
(GE-EPI) (5). La variación en la señal de RM se produce debido
a cambios en las propiedades magnéticas de la sangre durante el
proceso de activación neuronal. El problema para extraer la información de una secuencia de imágenes de RMf es la pequeña
variación de la señal, entre 1% y 5% (6), pese al alto campo
magnético utilizado usualmente de 1,5 Teslas, y el ruido que
aparece debido a la actividad intrínseca del cerebro. Debido a estos inconvenientes, especialmente la poca variación de la señal
frente al ruido de fondo, es imprescindible la utilización de métodos de clasificación para poder discriminar las zonas de activación cerebrales.
La RMf es un campo poco explotado en nuestro país pues la
tecnología necesaria para obtener y manipular las imágenes de
RM era cara y se encontraba en un entorno poco amigable
(UNIX) y de uso restringido. Actualmente están apareciendo algunas herramientas software para PC, como el programa SPM99
(basado en MATLAB) (7) en Windows (Microsoft®) y el AFNI
(8) en LINUX, que permiten realizar este tipo de estudios. Sin
embargo, estos programas siguen siendo poco familiares en su
entorno y configuración. Desarrollar un programa informático,
en entorno Windows (Microsoft®) y para PC que pueda analizar
estas imágenes de RM y obtener los mapas de activación funcional de una forma sencilla y abordable para los radiólogos supondría la generalización de estos estudios a muchos centros diagnósticos.
Radiología 2001;43(2):55-61
Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
Gómez, F. J., y cols. — Mapas de resonancia magnética funcional obtenidos con PC
MATERIAL Y MÉTODOS
La clasificación de los píxeles es el parámetro fundamental de
la RMf. Los mapas de activación se basan en las diferencias temporales en la señal de un plano tomográfico de RM. Para detectar estas diferencias se comparan las intensidades registradas durante dos estados distintos del cerebro, denominados estados de
«control» y de «activación». Durante el periodo de control el sujeto está en reposo, y durante el periodo de activación realiza una
acción determinada o percibe un estímulo. Durante un estudio
completo los dos estados se alternan periódicamente (para dotar
de mayor potencia al clasificador) y el volumen de interés se explora varias veces durante cada uno de los periodos de control y
de activación. De esta forma se obtienen medidas repetidas del
mismo fenómeno (Fig. 1).
Los experimentos se han realizado en un equipo de RM
(Gyroscan ACS NT, Philips, Holanda) que trabaja con una intensidad de campo magnético de 1,5 Teslas. Para comprobar un correcto funcionamiento del programa se han realizado estudios de
RMf en cuatro sujetos sanos de una edad media de 25 años. Tres
de los experimentos fueron motores (realizados en nuestro hospital) y uno visual (realizado en un equipo de RM similar pero
externo a nuestro hospital). En los sujetos del experimento motor, uno de los cuales era zurdo, se les instruyó para realizar una
acción motora consistente en mover consecutivamente los dedos
índice, corazón, anular y meñique de la mano hasta tocar el dedo
pulgar («finger apposition task»). Una persona del equipo, siguiendo las indicaciones del radiólogo encargado del experimento, indicaba al sujeto en estudio, mediante un contacto suave en
la pierna derecha, cuándo tiene que mover los dedos (periodo de
activación) y cuándo tiene que dejar de hacerlo (periodo control). En el sujeto de activación visual, ésta se realizó mediante
el encendido y apagado de la luz de la sala de exploración.
En los experimentos realizados la estructura de la secuencia
fue la siguiente: se obtuvieron 12 cortes contiguos del cerebro,
transversales para la activación motora y sagitales para el estímulo visual, con una anchura de corte de 5 mm volumétrica.
Para cada uno de los cortes se obtuvieron de forma dinámica 80
imágenes consecutivas tomadas cada 3,1 segundos con la técnica
GE-EPI. Los parámetros de esta secuencia son: TR = 3.000 ms,
TE = 50 ms y ángulo de inclinación de 90°. Estos parámetros se
han configurado de forma que se potencie el efecto de la constante T2* en la imagen y se permita la adquisición rápida de las
imágenes. El área de visión (FOV) fue de 220 mm, con un tamaño de la matriz de adquisición de 128 × 128 píxeles y una profundidad de píxel de 12 bits. El sujeto se encontraba en reposo
durante las 10 primeras imágenes, durante las 10 siguientes realizaba la acción indicada o recibía el estímulo, y así sucesiva-
mente hasta completar los ocho bloques de 10 imágenes por corte del estudio. En total, para un estudio completo de un sujeto se
obtuvieron 960 imágenes, 12 cortes × 80 imágenes/corte.
Ya que las imágenes potenciadas en T2* no aportan información anatómica suficiente para una localización exacta de la zona
activada, se obtuvo antes de la adquisición de la secuencia funcional unas imágenes de mayor resolución espacial con los mismos parámetros de localización espacial que la secuencia de activación, para la posterior superposición de las zonas de activación sobre estas imágenes anatómicas. Las imágenes de alta
resolución espacial se obtuvieron con una técnica eco de gradiente (EG) potenciada en T1 (TR = 204 ms, TE = 15 ms, ángulo de 90°) y con las mismas características geométricas que las
secuencias RMf.
Todas las imágenes obtenidas se transfirieron vía FTP a un ordenador personal PC con Windows NT. Las imágenes del experimento visual se transfirieron mediante CD-Rom a nuestro laboratorio, con las imágenes fuente y el resultado de clasificación
obtenido con el programa propietario de Philips para sus estaciones de trabajo (cortesía Han Rademaker).
El procesamiento de las imágenes se hizo píxel a píxel dentro
de cada secuencia, obteniéndo una señal que representa el nivel
de intensidad del píxel (x, y) para cada una de las imágenes de la
secuencia respecto del tiempo. Cada corte tomográfico se analiza
por separado. En la secuencia de 80 imágenes consecutivas por
plano tomográfico, para cada píxel se obtuvo una curva de intensidad/tiempo en la que se reflejaba la variación de la intensidad
de gris de un píxel en función del tiempo (Fig. 2). El análisis mediante métodos estadísticos de la curva generada permite decidir,
con diversos niveles de significación, la activación de cada píxel.
En el estudio de las imágenes generadas por la secuencia RM de
activación cerebral hubo que diferenciar entre técnicas de preproceso y proceso de las imágenes y pruebas estadísticas utilizadas.
Preprocesado
A la hora de adquirir la curvas intensidad-tiempo fue necesario aplicar una serie de técnicas para eliminar el ruido existente y
potenciar la información contenida en la curva. Las técnicas
aplicadas fueron:
— Filtrado espacial: cada punto de la curva se obtuvo como
la media de la ventana de 3 × 3 píxeles centrada en el píxel
en cuestión. Se utilizó para ello un filtro gausiano para eliminar variaciones espurias de la señal.
— Filtrado temporal: se usó un filtro paso-bajo de la curva
para eliminar las altas frecuencias temporales.
— Corrección de la línea base: para corregir la tendencia de
la curva, se ponderó la curva de forma que la recta que la
ajusta tuviera una pendiente cero.
Nivel Activación
— Normalización: A la curva obtenida se le resta su media de
forma que sus valores se encuentren centrados en cero.
Nivel Control
0
10
20
30
40
Tiempo
50
60
70
80
Fig. 1.—Representación ideal del nivel de gris de un píxel activado. En
este ejemplo se explora cuatro veces el volumen de interés por cada
periodo.
Radiología 2001;43(2):55-61
— Segmentación del parénquima: Se selecciona el área de la
masa cerebral y sólo se obtienen las curvas pertenecientes
a esta región, ya que es la zona de interés, reduciendo proporcionalmente el tiempo de cómputo por imagen.
Una vez obtenida la curva final para cada píxel, tras este preprocesado, ésta se encuentra lista para su análisis mediante los
métodos estadísticos que veremos a continuación.
57
Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
Gómez, F. J., y cols. — Mapas de resonancia magnética funcional obtenidos con PC
Fig. 2.—Evolución temporal intensidad del
píxel (x, y) a lo largo de las 80 imágenes de un
corte. En este caso se puede observar una clara
relación entre el nivel de gris del píxel y los
periodos de control-acción.
Procesado
La llegada del flujo sanguíneo produce un aumento de la concentración de O2 en la sangre en la zona activada. Sin embargo,
este fenómeno no es un fenómeno instantáneo, sino que requiere
de un cierto tiempo hasta alcanzar una meseta de estabilización.
Este tiempo es el empleado en canalizar la sangre que llega por
las arterias mediante un mecanismo de vasodilatación cerebral.
Aunque la activación de un área cerebral se produce instantáneamente, no se observan sus efectos hasta que no llega el exceso de
oxígeno que hace variar la señal de RM. Este tiempo de llegada
está estimado entre 4 y 10 segundos, dependiendo de la zona activada (4,9,10).
Para optimar las curvas de activación es necesario descartar aquellas imágenes obtenidas hasta que se estabiliza la señal de activación. Este ajuste es especialmente relevante cuando se aplican pruebas estadísticas de comparación de medias (10).
En el caso de estudios de correlación se puede resolver el ajuste
aplicando un desfase temporal a la onda de referencia equivalente
al tiempo de retardo. En este último caso surge la dificultad añadida de desconocer con exactitud este tiempo de retardo.
A continuación, se presentan las dos técnicas estadísticas implementadas para la detección de zonas de activación cerebral.
Pruebas estadísticas
Prueba de la t de Student
Esta prueba se ha descrito y utilizado en numerosos estudios
(1-4,6,11-14). Para su aplicación, para cada punto (x, y) de la
imagen se obtienen las intensidades, con coherencia espacial en
todas las imágenes de la secuencia funcional, pertenecientes a
los estados de reposo y de activación (40 puntos por grupo ya
que hay 80 imágenes distribuidas en dos grupos). Estos dos grupos de intensidades para cada píxel serán las dos poblaciones a
comparar. Se calcularon los parámetros estadísticos necesarios
(media, varianza) sobre las dos poblaciones (n1 = activación y n2
= control) y los grados de libertad aportados por cada población
(n1 + n2 – 2). Con estos parámetros se calculó el estadístico t, haciéndose las comparaciones atendiendo al nivel de significación
requerido (0,05; 0,01; 0,005; 0,001).
Dado que hay que tener en cuenta que la activación no se produce instantáneamente, pueden descartarse un número determinado de las imágenes iniciales. En el programa desarrollado el
número de imágenes iniciales descartables es seleccionable,
58
siendo por defecto cuatro (quedan 24 puntos por grupo). Para los
experimentos de este trabajo se seleccionaron las primeras cuatro de las 10 imágenes generadas para cada grupo de
activación/reposo como descartadas.
La validez del test de la t de Student queda supeditada a la
normalidad de los datos. Realizado el test de KolgomorovSmirnov en los datos de los experimentos de esta serie se ha corroborado la normalidad de los datos (p > 0,05).
Prueba de la correlación cruzada
En este test se compara directamente la curva experimental
con una curva ideal. Para estudiar la similitud de las curvas experimental e ideal se ha utilizado el coeficiente de correlación,
cuyo valor está comprendido entre –1 y +1. Las dos funciones
estarán altamente correlacionadas si el valor del coeficiente se
acerca a +1, mientras que si es 0 no existirá ninguna correlación
y si es –1 existe una correlación inversa.
El coeficiente de correlación se ha utilizado de diferentes formas (15-17). En ocasiones la curva experimental se ha comparado con una onda cuadrada (píxeles activados con coeficiente >
0,6) (15) o con una función seno (píxeles activados con coeficiente > 0,513) (16). En nuestro desarrollo se ha comparado la
curva obtenida con una onda cuadrada, teniendo en cuenta el retraso entre el inicio de la activación y la vasodilatación secundaria. Este desfase es selecionable en el software desarrollado por
nuestro grupo, habiéndose seleccionado un valor de 2 para la realización de los experimentos de validación.
Posprocesado
En los mapas de activación obtenidos, el valor de los píxeles
es cero para los no activados y proporcional al nivel de significación estadística para los activados. Con el fin de representar las
imágenes de manera que se maximice la información contenida
en ellas, se realizan una serie de operaciones de posproceso que
se detallan a continuación.
Eliminación de píxeles aislados
Para minimizar los falsos positivos de activación puede considerarse que las áreas de activación neuronal estimulan cambios
en las señales de píxeles contiguos. Así, puede establecerse un
Radiología 2001;43(2):55-61
Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
Gómez, F. J., y cols. — Mapas de resonancia magnética funcional obtenidos con PC
límite inferior al tamaño de la agrupación de píxeles clasificados
como activados mediante los métodos estadísticos, a partir del
cual considerar que esos píxeles representan verdaderamente una
zona cerebral de activación. De esta forma se eliminan píxeles
aislados o grupos pequeños de píxeles que, por azar y debido al
ruido, habían superado la significación estadística (16, 18).
Superposición de una imagen anatómica de mayor resolución
espacial
Debido a que para generar mapas de RM funcional se necesita
obtener muchas imágenes en poco tiempo, la resolución espacial
de éstas no puede ser muy alta. Para solucionar este problema se
obtuvo una imagen EG potenciada en T1 de mayor resolución
espacial a fin de superponer sobre ella las zonas activadas. En
nuestra serie las imágenes de RMf fueron de 128 × 128 y se superpusieron sobre imágenes anatómicas de 256 × 256, escalando
el mapa funcional.
La aplicación informática
La aplicación (Xfun 1.0, Valencia) se ha desarrollado en el entorno de programación Microsoft Visual C++ 5.0 Developer
Studio para Windows NT Workstation. Los resultados del grupo
experimental se han calculado en un Pentium II a 450MHz con
256 Mbytes de RAM.
El funcionamiento del programa es el siguiente (Fig. 3.):
1. Abre la secuencia de imágenes que constituyen un experimento de activación, en esta serie 960 imágenes funcionales más 12 imágenes anatómicas. En la apertura, el programa clasifica las imágenes por corte atendiendo a la sintaxis
de los ficheros que las contienen. El formato de las imágenes puede ser ACR-NEMA o DICOM.
2. Selección del corte o cortes a estudiar.
3. Selección de los parámetros de preprocesado, procesado y
posprocesado.
4. Cálculo de los mapas de activación.
Filtrado anti-aliasing
5. Análisis de los mapas obtenidos mediante herramientas de
análisis de imágenes como histogramas, lupa, curvas intensidad-tiempo y superposición de gradillas.
Como resultado de la superposición de una imagen de menor
resolución sobre otra de resolución mayor se produce en la imagen un efecto conocido como aliasing. Para eliminarlo se aplicó
un filtro paso-bajo sobre el mapa funcional, con el resultado de
una imagen mucho más coherente. Esta opción es selecionable y
queda supeditada al criterio del radiólogo.
En un ejemplo representativo de la serie, el programa tardó
8,2 segundos para calcular y presentar los resultados de un estudio completo (12 mapas funcionales) mediante la prueba de la t
de Student.
RESULTADOS
Mapas de RMf
Los resultados obtenidos en el desarrollo de la aplicación informática y las pruebas experimentales se han categorizado en
apartados.
Para validar el programa se utilizó un estudio de imágenes
funcionales realizado externamente con un software propietario
de Philips para sus estaciones de trabajo, con un experimento de
Fig. 3.—Imagen del entorno gráfico del
programa XFun. El programa tiene varias
ventajas sobre otros programas de similares
capacidades: no es necesario ningún
conocimiento previo y el interfaz es sencillo e
intuitivo. Para calcular mapas de activación
sólo hay que pulsar un botón indicando la
técnica estadística a utilizar previa
configuración de los parámetros del
experimento (Botón Configuración). El
programa tarda 8,2 segundos en calcular un
estudio completo (12 mapas funcionales, 960
imágenes) mediante la prueba de la t de
Student, mucho más rápido por ejemplo que
con MATLAB.
Radiología 2001;43(2):55-61
59
Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
Gómez, F. J., y cols. — Mapas de resonancia magnética funcional obtenidos con PC
actividad en la corteza visual. Los resultados del software desarrollado contrastaban satisfactoriamente con los resultados obtenidos con esta aplicación, no observándose diferencias en los píxeles clasificados como activados en la corteza cerebral con ambas plataformas (Fig. 4).
En los tres experimentos de activación motora se observó la
activación correspondiente a regiones próximas al surco central
del hemisferio contralateral a la mano que ejercía la acción. Los
resultados se corresponden con una secuencia EPI-GE potenciada en T2* durante una actividad motora de la mano derecha
(«finger apposition task») del sujeto sano en observación. Como
muestra de los mapas de RMf calculados con Xfun 1.0 se presentan las áreas de activación obtenidas tras eliminar todos los grupos de píxeles con un tamaño inferior a 3 (Fig. 5) en un experimento de activación motora de la mano.
DISCUSIÓN
Si bien existen otros programas que calculan mapas de activación, como el SPM99 (7) para Windows y AFNI (8) para LINUX, el desarrollo de un programa para PC en entorno
Windows tiene una característica clave para su utilización rutinaria, ésta es, su facilidad de manejo. XFun 1.0 es un programa basado en Windows e implementado en C con una alta capacidad
de cómputo, obteniendo los resultados muy rápido. La clasificación de los píxeles activos se basa en dos técnicas de clasificación estadísticas bien conocidas, frente a otros programas como
el SPM y el AFNI que incorporan muchas más. Esta limitación
simplifica la utilización del programa y no merma sus capacidades de manera importante ya que las pruebas que incorpora son
las más utilizadas.
Los estudios de RM han demostrado una topografía de la activación neuronal en situaciones fisiológicas y una reorganización
funcional del cerebro como respuesta a lesiones destructivas y
degenerativas (16, 19). Esta plasticidad del cerebro es la responsable, tras el daño a una zona concreta del sistema nervioso central del paciente (bien por causa de un tumor o por causa de un
traumatismo o un infarto), de que una zona no dañada asuma con
el tiempo las funciones que hasta entonces realizaba la zona funcional dañada.
Se pueden identificar dos mecanismos que contribuyen a la
modulación de la señal de RM:
— El primer mecanismo está relacionado con la dispersión de
las frecuencias de resonancia de los protones del agua debido a las heterogeneidades de campo dentro del vóxel. A
este mecanismo se le denomina mecanismo estático.
— El segundo mecanismo está relacionado con la difusión de
las moléculas de agua a través de regiones caracterizadas
por una inhomogeneidad del campo. Esta difusión induce
fluctuaciones en la frecuencia de resonancia de los protones del agua. A este mecanismo se le denomina mecanismo dinámico.
¿Cómo afectan estas variaciones de la frecuencia de resonancia a la señal de RM? La constante de relajación transversal T2*
es inversamente proporcional a la anchura de la distribución de
las frecuencias de resonancia. Por tanto, cuanto más estrecha sea
la distribución de frecuencias (campo magnético más homogéneo) mayor será la constante T2*. Durante la activación cerebral
la anchura de la distribución de frecuencias disminuye y la señal
de RM decrece más lentamente.
Con el análisis adecuado de estas variaciones pueden generarse mapas en los que la activación de un grupo de neuronas en
respuesta a un estímulo se observe como píxeles coloreados en
función del grado de significación estadística. Los píxeles se observarán cuando su brillo en una secuencia T2* repetida en el
tiempo difiera estadísticamente del resto de áreas cerebrales (clasificación mediante la t de Student o la correlación cruzada) y,
además, se presenten agrupados. Este análisis de RMf se realiza
usualmente en las estaciones de trabajo asociadas a los equipos
de RM que dispongan de esta utilidad concreta. El desarrollo de
una aplicación que obtenga estos mapas sobre estaciones PC es
especialmente atractivo por su sencillez y familiaridad.
El método de clasificación más preciso y reproducible para seleccionar los píxeles como activados no está todavía claro. Cada
prueba tiene sus inconvenientes basados, sobretodo, en la morfología y naturaleza de la curva obtenida. Así, el retraso entre la
activación y la oxigenación produce, además del incremento
mencionado en la saturación de oxígeno, otro efecto en la señal.
Antes de que llegue el incremento del flujo sanguíneo se produce un aumento en el consumo de oxígeno que produce un aumento en la concentración de desoxihemoglobina. Este hecho
aún no está ratificado con observaciones directas pues algunos
estudios no han sido capaces de demostrarlo (11). Este aumento
se reflejaría en una pequeña bajada de la señal al inicio de cada
periodo de activación. En nuestras imágenes obtenidas a 1,5 T
esta bajada, si existiera, ha sido imperceptible.
La aplicación desarrollada es capaz de discriminar mediante
un método de comparación de medias o mediante el cálculo del
coeficiente de correlación entre dos señales cuáles son las zonas
del cerebro que se activan como respuesta a un estímulo de las
que no se modifican. Este análisis permite localizar sobre imágenes de RM del cerebro qué zonas se activan y generar imágenes
de RMf. La herramienta se considera de utilidad para todos
Fig. 4.—Imágenes de activación visual en el
plano sagital en un mismo paciente y
experimento. La selección de los píxeles
activados se obtuvo mediante la prueba de
correlación cruzada con un coeficiente de 0,55
y eliminando todos aquellos grupos de píxeles
menores de 3.
60
Radiología 2001;43(2):55-61
Documento descargado de http://www.elsevier.es el 01/12/2016. Copia para uso personal, se prohíbe la transmisión de este documento por cualquier medio o formato.
Gómez, F. J., y cols. — Mapas de resonancia magnética funcional obtenidos con PC
Fig. 5.—Imágenes obtenidas del mismo
paciente y mismo corte. Se demuestran los
píxeles activados con un nivel de significación
de 0,05 (a), 0,01 (b) y 0,001 (c) con la prueba
de la t de Student.
aquellos profesionales de la medicina relacionados con las neurociencias.
BIBLIOGRAFÍA
La aplicación de RMf para el mapeo de la actividad funcional
de un individuo ha demostrado tener utilidad en los casos de lesiones (tumores, malformaciones vasculares) cercanos a las zonas funcionales corticales, siendo la herramienta determinante a
la hora de trazar la ruta a seguir para su extracción (1). También
se está estudiando mediante esta técnica enfermedades neurodegenerativas, alteraciones del lenguaje, epilepsia y demencias como el Alzheimer (2,3).
1. Buchbinder BR, Cosgrove GR. Cortical activation MR studies in
brain disorders. Magn Reson Imaging Clin North Am 1998;6:67-93.
2. Le Bihan D. Functional MRI of the brain: principles, applications
and limitations. J Neuroradiol 1996;23:1-5.
3. Di Salle F, Formisano E, Linden DE, et al. Exploring brain function
with magnetic resonance imaging. Eur J Radiol 1999;30:84-94.
4. Orrison W. Functional brain imaging. Mosby 1995.
5. Segebarth C, Décorps M. Functional MRI. ESMRMB Methodology,
spectroscopy and clinical MRI. Cerdán S, Haase A, Terrier F eds.
1998;80-7.
6. Edelman, RR, Hesselink, JR, Zlatkin MB. Clinical magnetic
Resonance Imaging. WB Saunders Company, 2.a ed, 1996.
7. Department of Cognitive Neurology. Statistical Parametric Mapping.
University College London. http://www.fil.ion.ucl.ac.uk/spm/ 2000.
8. Cox RW. AFNI. http://varda.biophysics.mcw.edu/~cox/ 2000.
9. Rosen BR, Buckner RL, Dale AM. Event-related functional MRI:
Past, present and future. PNAS, 1998;95:773-80.
10. Singh LN, Higano S, Takahashi S, et al. Functional MR imaging of
cortical activation of the cerebral hemispheres during motor tasks.
AJNR 1998;19:275-80.
11. Moonen CTW, Bandettini PA. Functional MRI. Springer-Verlag, 1999.
12. Ardekani BA, Kanno I. Statistical methods for detecting activated regions in functional MRI of the brain. Magnetic Resonance Imaging
1998; 16:1217-25.
13. Gelnar PA, Krauss BR, Szeverenyi NM, Apkarian AV. Fingertip representation in the human somatosensory cortex: an MRf study.
Neuroimage 1998; 7:261-83.
14. Thulborn, KR. Talagala SL, Chang S, Tasciyan T, McCurtain B,
Sweeney JA. Sensitivity advantage for MRf at 3.0 Tesla over 1.5
Tesla. Society of Magnetic Resonance. New York. http://www.mrctr.
upmc.edu/abstracts/1996smr_krt2/doc.html 2000.
15. Li A, Yetkin FZ, Cox R, Haughton VM. Ipsilateral hemisphere activation during motor and sensory tasks. AJNR 1996;17:651-5.
16. Cao Y, D’Olhaberriague L, Vikingstad EM, Levine SR, Welch
KMA. Pilot study of functional MRI to assess cerebral activation of
motor function after post stroke hemiparesis. Stroke 1998;29:112-22.
17. Leisinger GL, Heiss DT, Jassoy AG, Pfluger T, Hahn K, Danek A.
Persistent mirror movements: functional MR imaging of the hand
motor cortex. Radiology 1997;203:545-52.
18. Forman SD, Cohen JD, Fitzgerald M, Eddy WF, Mintun MA, Noll
DC. Improved assesment of significant activation in functional magnetic resonance imaging (RMf): use of a cluster size threshold.
Magnetic Resonance Med 1995;33:636-47.
19. Yoshiura T, Hasuo K, Mihara F. Increased activity of the ipsilateral
motor cortex during a hand motor task in patients with brain tumor
and paresis. AJNR 1997;18:865-9.
Nuestras líneas de trabajo futuras en este campo son:
— Desarrollo de un atlas de coordenadas para la localización
exacta de las zonas de activación.
— Estudio de técnicas de clasificación basadas en series temporales.
— Registro de las imágenes: Dado que desde que se obtiene
la primera imagen del estudio hasta que se obtiene la última pasan varios minutos (entre cuatro y seis aproximadamente) y durante este tiempo el sujeto en observación
puede haber realizado movimientos involuntarios discretos de la zona a estudio, en el caso de producirse estos
movimientos restarían validez a los mapas de clasificación de los resultados. En nuestros experimentos, para
evitar este movimiento se fija la cabeza del sujeto mediante cintas y piezas acolchadas, pero aun así (en el caso
de que se trate de un paciente con problemas nerviosos,
por ejemplo) se pueden producir rotaciones o traslaciones
no deseadas. Tratar de corregir este problema necesitaría
un estudio exclusivo de correcciones píxel-a-píxel, pero
resolverlo nos proporcionaría una herramienta mucho
más fiable.
— Registro de la imagen anatómica: Sería interesante
corregir la posición de las imágenes anatómicas sobre
las funcionales para conseguir una superposición perfecta.
AGRADECIMIENTOS
Este estudio ha sido financiado por el proyecto de investigación 19990078 subvencionado por la UPV, y por el convenio desarrollado entre la UPV y la «Asociación para el Desarrollo y la
Investigación de la Resonancia Magnética» con la Clínica
«Quirón» de Valencia.
Radiología 2001;43(2):55-61
61