• modello convolutivo
• fMRI
• gradiente naturale

La tecnica di risonanza magnetica funzionale per immagini (fMRI) è un metodo non invasivo per determinare la distribuzione spaziale e temporale dell’attività cerebrale indotta da compiti sensori, motori e cognitivi. Nel contesto dell’analisi dei dati fMRI, grande sviluppo ha avuto e sta avendo, la tecnica della separazione delle sorgenti nascoste (Blind Source Separation) che, a partire dai segnali misurati, ricerca le sorgenti che li hanno generati nell’ipotesi che queste ultime siano statisticamente indipendenti. Sotto questa forma il metodo prende il nome di Analisi delle Componenti Indipendenti (ICA) e si differenzia dai classici procedimenti di analisi basati sulla regressione, la correlazione o la sottrazione di immagini per il fatto che nessuna ipotesi a priori è necessaria se non quella sull’indipendenza statistica delle sorgenti.
Il modello base utilizzato nell’analisi delle componenti indipendenti, come in altri metodi di analisi multivariata, considera i segnali osservati come derivati dal mescolamento istantaneo delle varie sorgenti. Nel caso di dati di risonanza magnetica funzionale, questo modello può risultare inadeguato visto che lo stesso processo cognitivo può generare, in diverse aree cerebrali, variazioni del segnale con una differente dinamica temporale; questo può essere dovuto sia ad una diversa attività neurale, ma anche alla eterogeneità della risposta emodinamica. L’attivazione di due o più voxel (elementi volumetrici di base in cui è suddivisa l’immagine acquisita) che sovrintendono alle medesime funzioni, può risultare ad esempio reciprocamente ritardata a causa dell’inevitabile latenza dei processi emodinamici di base. Tale ritardo si traduce nell’acquisizione di segnali sfasati tra loro e difficilmente identificabili tramite un criterio multivariato istantaneo.
In questa tesi presentiamo un approccio al problema di BSS basato su un modello di mescolamento convolutivo: ogni segnale osservato, è generato da sorgenti statisticamente indipendenti, mescolate tra loro dopo aver subito un processo di convoluzione.
Questo tipo d’orientamento permette di estendere il modello istantaneo in modo da tenere conto delle differenze in ampiezza, latenza e durata del segnale fMRI nelle varie regioni. L’obiettivo di questa tesi è verificare la bontà del modello convolutivo nel caso di segnali fMRI con le caratteristiche sopradette.
Nel primo capitolo di questo elaborato vengono presentati i principi fisici da cui deriva il segnale fMRI e le sue caratteristiche specifiche ed essenziali. Particolare attenzione è riservata alla relazione con la risposta emodinamica cerebrale, alla risoluzione spazio-temporale e alle possibili fonti di rumore che complicano l’acquisizione dei dati. Infine viene proposto un modello lineare della risposta fMRI utile a quantificare la risposta neurale indotta da stimolazioni sensoriali e quindi a valutare l’attivazione di corrispondenti zone cerebrali.
Il capitolo secondo introduce i concetti fondamentali della teoria dell’ottimizzazione e dei metodi basati sul gradiente che sono alla base degli algoritmi di separazione delle sorgenti nascoste (BSS). In particolare viene proposta una possibile generalizzazione del metodo del gradiente, applicata a spazi non euclidei.
Il capitolo terzo copre il classico problema dell’individuazione e separazione delle sorgenti nascoste, riferendosi in particolare all’ipotesi che queste ultime siano statisticamente indipendenti (ICA). E’ esposto il principio base della non-gaussianità e la sua relazione con l’ICA. Sono rivisti i principi della mutua informazione e della Neg-Entropia unitamente alle relazioni tra questi tre principi fondamentali.
Nel quarto capitolo è esposto in maniera dettagliata il problema del mescolamento convolutivo, in cui le sorgenti indipendenti subiscono un processo di filtraggio non più modelizzabile con una semplice matrice scalare. Vengono inoltre presentati una serie di approcci al problema sia in ambito temporale sia in quello frequenziale allo scopo di deconvolvere e separare le sorgenti indipendenti.
La traduzione dei concetti teorici in algoritmi pratici per la stima del modello convolutivo sia nel tempo che in frequenza è presentata nel quinto capitolo.
L’analisi e l’applicazione, degli algoritmi sviluppati, a segnali fMRI simulati riguarda il contenuto del sesto capitolo; lo scopo è di testarne le potenzialità nel deconvolvere le componenti indipendenti. Il processo convolutivo viene modellizzato tramite l’uso di filtri FIR con i quali è possibile tenere conto delle differenti dinamiche del segnale.
Il settimo ed ultimo capitolo, invece, tratta l’applicazione a dati reali acquisiti nel laboratorio di risonanza magnetica dell’Istituto di Fisiologia Clinica del Consiglio Nazionale delle Ricerche di Pisa. Si espongono quindi i risultati ottenuti e si traggono le conclusioni del lavoro svolto.
Le elaborazioni svolte sono state effettuate in ambiente Matlab 6.5 della MathWorks.