Imágenes de resonancia magnética funcional

Michael Faraday fue el primero en señalar que la sangre seca no es magnética y escribió en su diario, fechado el 8 de noviembre de 1845: "Debemos probar con sangre fresca y fluida". Esta observación fue citada en Pauling y Coryell (1945).

Durante finales del siglo XIX, Angelo Mosso inventó la «balanza de circulación humana», que podía medir de forma no invasiva la redistribución de la sangre durante la actividad emocional e intelectual. ^{[ 12 ]} Sin embargo, aunque William James la mencionó brevemente en 1890, los detalles y el funcionamiento preciso de esta balanza y los experimentos que Mosso realizó con ella permanecieron en gran medida desconocidos hasta el reciente descubrimiento del instrumento original, así como los informes de Mosso por Stefano Sandrone y sus colegas. ^{[ 13 ]} Angelo Mosso investigó varias variables críticas que aún son relevantes en la neuroimagen moderna, como la « relación señal-ruido », la elección apropiada del paradigma experimental y la necesidad de registrar simultáneamente diferentes parámetros fisiológicos . ^{[ 13 ]} Los manuscritos de Mosso no proporcionan evidencia directa de que la balanza realmente pudiera medir cambios en el flujo sanguíneo cerebral debido a la cognición , ^{[ 13 ]} sin embargo, una replicación moderna realizada por David T Field ^{[ 14 ]} ha demostrado ahora, utilizando técnicas modernas de procesamiento de señales no disponibles para Mosso, que un aparato de balanza de este tipo es capaz de detectar cambios en el volumen sanguíneo cerebral relacionados con la cognición.

En 1890, Charles Roy y Charles Sherrington vincularon experimentalmente por primera vez la función cerebral con su flujo sanguíneo en la Universidad de Cambridge . ^{[ 15 ]} El siguiente paso para resolver cómo medir el flujo sanguíneo al cerebro fue el descubrimiento de Linus Pauling y Charles Coryell en 1936 de que la sangre rica en oxígeno con Hb era débilmente repelida por campos magnéticos, mientras que la sangre empobrecida en oxígeno con dHb era atraída por un campo magnético, aunque menos que los elementos ferromagnéticos como el hierro. Seiji Ogawa en los laboratorios AT&T Bell reconoció que esto podría usarse para mejorar la resonancia magnética (RM), que podía estudiar solo la estructura estática del cerebro, ya que las diferentes propiedades magnéticas de dHb y Hb causadas por el flujo sanguíneo a las regiones cerebrales activadas causarían cambios medibles en la señal de RM. BOLD es el contraste de RM de dHb, descubierto en 1990 por Ogawa. En un estudio fundamental de 1990 basado en trabajos previos de Thulborn et al., Ogawa y sus colegas escanearon roedores en un campo magnético fuerte (7,0 T ) mediante resonancia magnética (RM). Para manipular el nivel de oxígeno en sangre, cambiaron la proporción de oxígeno que respiraban los animales. A medida que esta proporción disminuía, se observaba un mapa del flujo sanguíneo en el cerebro en la RM. Lo verificaron colocando tubos de ensayo con sangre oxigenada o desoxigenada y creando imágenes separadas. También demostraron que las imágenes de eco de gradiente, que dependen de una forma de pérdida de magnetización llamada decaimiento T2 _* ^, producían las mejores imágenes. Para demostrar que estos cambios en el flujo sanguíneo estaban relacionados con la actividad cerebral funcional, cambiaron la composición del aire respirado por ratas y las escanearon mientras monitorizaban la actividad cerebral con EEG. ^{[ 16 ]} El primer intento de detectar la actividad cerebral regional mediante RM fue realizado por Belliveau y sus colegas ^{[ 17 ]} en la Universidad de Harvard utilizando el agente de contraste Magnevist, una sustancia paramagnética que permanece en el torrente sanguíneo después de la inyección intravenosa. Sin embargo, este método no es popular en la resonancia magnética funcional humana, debido a la incomodidad de la inyección del agente de contraste y a que el agente permanece en la sangre solo por un corto tiempo. ^{[ 18 ]} 

Tres estudios de 1992 fueron los primeros en explorar el uso del contraste BOLD en humanos. Kenneth Kwong y sus colegas, utilizando secuencias de imágenes ecoplanares de eco de gradiente y recuperación de inversión (EPI) a una intensidad de campo magnético de 1,5 T, publicaron estudios que mostraban una clara activación de la corteza visual humana . ^{[ 19 ]} El equipo de Harvard demostró así que tanto el flujo sanguíneo como el volumen sanguíneo aumentaban localmente en el tejido neural activo. Ogawa y Ugurbil llevaron a cabo un estudio similar utilizando un campo magnético más alto (4,0 T) en el laboratorio de Ugurbil en la Universidad de Minnesota , generando imágenes de mayor resolución que mostraron que la actividad seguía en gran medida la materia gris del cerebro, como era de esperar; además, demostraron que la señal de fMRI dependía de una disminución en T2*, consistente con el mecanismo BOLD. El decaimiento de T2* es causado por núcleos magnetizados en un volumen de espacio que pierden coherencia magnética (magnetización transversal) tanto por chocar entre sí como por experimentar diferencias en la intensidad del campo magnético en diferentes ubicaciones (inhomogeneidad del campo debido a un gradiente espacial). Bandettini y sus colegas utilizaron EPI a 1,5 T para demostrar la activación en la corteza motora primaria, un área cerebral en la última etapa del circuito que controla los movimientos voluntarios. Los campos magnéticos, las secuencias de pulsos, los procedimientos y las técnicas empleadas en estos primeros estudios todavía se utilizan en los estudios de fMRI actuales. Sin embargo, hoy en día los investigadores suelen recopilar datos de más cortes (utilizando gradientes magnéticos más fuertes) y preprocesan y analizan los datos mediante técnicas estadísticas. ^{[ 20 ]}

El cerebro no almacena mucha glucosa, su principal fuente de energía. Cuando las neuronas se activan, para que vuelvan a su estado de polarización original se requiere bombear iones activamente a través de las membranas celulares neuronales, en ambas direcciones. La energía para estas bombas de iones se produce principalmente a partir de la glucosa. Un mayor flujo sanguíneo transporta más glucosa, lo que también aporta más oxígeno en forma de moléculas de hemoglobina oxigenada en los glóbulos rojos. Esto se debe tanto a un mayor flujo sanguíneo como a la dilatación de los vasos sanguíneos. El cambio en el flujo sanguíneo se localiza a 2 o 3  mm de la zona de actividad neuronal. Generalmente, el oxígeno que ingresa es mayor que el consumido en la quema de glucosa (aún no se ha determinado si la mayor parte del consumo de glucosa es oxidativo), lo que provoca una disminución neta de la hemoglobina desoxigenada (dHb) en los vasos sanguíneos de esa zona cerebral. Esto modifica la propiedad magnética de la sangre, haciendo que interfiera menos con la magnetización y su eventual decaimiento inducido por el proceso de resonancia magnética. ^{[ 21 ]}

El flujo sanguíneo cerebral (FSC) se corresponde con la glucosa consumida de forma diferente en distintas regiones cerebrales. Los resultados iniciales muestran que hay mayor entrada que consumo de glucosa en regiones como la amígdala , los ganglios basales , el tálamo y la corteza cingulada , todas ellas implicadas en respuestas rápidas. En regiones más reflexivas, como los lóbulos frontal lateral y parietal lateral , parece que la entrada es menor que el consumo. Esto afecta a la sensibilidad BOLD. ^{[ 22 ]}

La hemoglobina responde de forma diferente a los campos magnéticos, dependiendo de si tiene una molécula de oxígeno unida. La molécula de dHb es más atraída por los campos magnéticos. Por lo tanto, distorsiona el campo magnético circundante inducido por un escáner de resonancia magnética, lo que provoca que los núcleos en esa zona pierdan magnetización más rápidamente debido a la relajación T2 _* ^. Así, las secuencias de pulsos de resonancia magnética sensibles a T2 _* ^muestran una mayor señal de resonancia magnética donde la sangre está altamente oxigenada y una menor donde no lo está. Este efecto aumenta con el cuadrado de la intensidad del campo magnético. Por consiguiente, la señal de resonancia magnética funcional requiere tanto un campo magnético intenso (1,5  T o superior) como una secuencia de pulsos como EPI, que es sensible al contraste _T2 ^{* . [ 23 ]}

La respuesta fisiológica del flujo sanguíneo determina en gran medida la sensibilidad temporal, es decir, la precisión con la que podemos medir la actividad neuronal en la resonancia magnética funcional (RMf) BOLD. El parámetro básico de resolución temporal (tiempo de muestreo) se denomina TR; el TR determina la frecuencia con la que se excita una sección cerebral específica y se le permite perder su magnetización. Los TR pueden variar desde valores muy cortos (500  ms) hasta valores muy largos (3  s). En el caso específico de la RMf, la respuesta hemodinámica dura más de 10 segundos, aumentando de forma multiplicativa (es decir, como proporción del valor actual), alcanzando su pico entre los 4 y los 6 segundos, para luego disminuir también de forma multiplicativa. Los cambios en el sistema de flujo sanguíneo, el sistema vascular, integran las respuestas a la actividad neuronal a lo largo del tiempo. Dado que esta respuesta es una función continua y suave, el muestreo con TR cada vez más rápidos no resulta útil; simplemente proporciona más puntos en la curva de respuesta, que de todos modos se pueden obtener mediante una simple interpolación lineal. Paradigmas experimentales como la presentación escalonada de un estímulo en diferentes ensayos pueden mejorar la resolución temporal , pero reducen el número de puntos de datos efectivos obtenidos. ^{[ 24 ]}

La resolución espacial de un estudio de fMRI se refiere a la capacidad de discriminar entre ubicaciones cercanas. Se mide por el tamaño de los vóxeles, al igual que en la resonancia magnética. Un vóxel es un cuboide rectangular tridimensional, cuyas dimensiones están determinadas por el grosor del corte, el área de un corte y la cuadrícula impuesta al corte por el proceso de escaneo. Los estudios de cerebro completo utilizan vóxeles más grandes, mientras que aquellos que se centran en regiones de interés específicas suelen utilizar tamaños más pequeños. Los tamaños varían de 4 a 5  mm, o con fMRI de resolución laminar (lfMRI), a submilímetros. ^{[ 28 ]} Los vóxeles más pequeños contienen menos neuronas en promedio, incorporan menos flujo sanguíneo y, por lo tanto, tienen menos señal que los vóxeles más grandes. Los vóxeles más pequeños implican tiempos de escaneo más largos, ya que el tiempo de escaneo aumenta directamente con el número de vóxeles por corte y el número de cortes. Esto puede provocar tanto incomodidad para el sujeto dentro del escáner como pérdida de la señal de magnetización. Un vóxel normalmente contiene unos pocos millones de neuronas y decenas de miles de millones de sinapsis , y el número real depende del tamaño del vóxel y del área del cerebro que se está analizando. ^{[ 29 ]}

El sistema vascular arterial que suministra sangre fresca se ramifica en vasos cada vez más pequeños a medida que penetra en la superficie cerebral y en las regiones internas del cerebro, culminando en una red capilar conectada dentro del cerebro. De manera similar, el sistema de drenaje se une en venas cada vez más grandes a medida que transporta la sangre desoxigenada. La contribución de la hemoglobina desoxigenada (dHb) a la señal de resonancia magnética funcional (fMRI) proviene tanto de los capilares cercanos al área de actividad como de las venas de drenaje más grandes que pueden estar más alejadas. Para obtener una buena resolución espacial, es necesario suprimir la señal de las venas grandes, ya que no corresponde al área donde se encuentra la actividad neuronal. Esto se puede lograr mediante el uso de campos magnéticos estáticos intensos o mediante secuencias de pulsos de eco de espín. ^{[ 30 ]} Con estos, la fMRI puede examinar un rango espacial de milímetros a centímetros y, por lo tanto, puede identificar áreas de Brodmann (centímetros), núcleos subcorticales como el núcleo caudado , el putamen y el tálamo, y subcampos hipocampales como el giro dentado combinado / CA3 , CA1 y el subículo . ^{[ 31 ]}

La resolución temporal es el período de tiempo más pequeño de actividad neuronal que la resonancia magnética funcional (RMf) puede separar de forma fiable. Un elemento que determina esto es el tiempo de muestreo, el TR.  Sin embargo, por debajo de un TR de 1 o 2 segundos, el escaneo solo genera curvas de respuesta hemodinámica (RH) más nítidas, sin añadir mucha información adicional (por ejemplo, más allá de lo que se logra alternativamente interpolando matemáticamente los huecos de la curva con un TR menor). La resolución temporal se puede mejorar escalonando la presentación de estímulos en los ensayos. Si un tercio de los ensayos de datos se muestrean normalmente, un tercio a 1  s, 4  s, 7  s, etc., y el último tercio a 2  s, 5  s y 8  s, los datos combinados proporcionan una resolución de 1  s, aunque con solo un tercio de los eventos totales.

La resolución temporal necesaria depende del tiempo de procesamiento cerebral para diversos eventos. Un ejemplo de este amplio rango lo proporciona el sistema de procesamiento visual. Lo que el ojo ve se registra en los fotorreceptores de la retina en aproximadamente un milisegundo. Estas señales llegan a la corteza visual primaria a través del tálamo en decenas de milisegundos. La actividad neuronal relacionada con el acto de ver dura más de 100  ms. Una reacción rápida, como desviarse para evitar un accidente automovilístico, tarda alrededor de 200  ms. Aproximadamente medio segundo después, se produce la toma de conciencia y la reflexión sobre el incidente. Recordar un evento similar puede llevar unos segundos, y los cambios emocionales o fisiológicos, como la activación del miedo, pueden durar minutos u horas. Los cambios aprendidos, como el reconocimiento de rostros o escenas, pueden durar días, meses o años. La mayoría de los experimentos de resonancia magnética funcional (fMRI) estudian procesos cerebrales que duran unos pocos segundos, y el estudio se lleva a cabo durante algunas decenas de minutos. Los sujetos pueden mover la cabeza durante ese tiempo, y este movimiento debe corregirse. Lo mismo ocurre con la deriva de la señal de referencia a lo largo del tiempo. El aburrimiento y el aprendizaje pueden modificar tanto el comportamiento del sujeto como los procesos cognitivos. ^{[ 32 ]}

Cuando una persona realiza dos tareas simultáneamente o de forma superpuesta, se espera que la respuesta BOLD se sume linealmente. Esta es una suposición fundamental de muchos estudios de resonancia magnética funcional (fMRI), basada en el principio de que se puede esperar que los sistemas continuamente diferenciables se comporten linealmente cuando las perturbaciones son pequeñas; son lineales hasta el primer orden. La suma lineal implica que la única operación permitida sobre las respuestas individuales antes de combinarlas (sumarlas) es un escalado independiente de cada una. Dado que el escalado es simplemente una multiplicación por un número constante, esto significa que un evento que evoca, por ejemplo, el doble de respuesta neuronal que otro, puede modelarse como el primer evento presentado dos veces simultáneamente. La respuesta de riesgo (HR) para el evento duplicado es entonces simplemente el doble que la del evento único.

En la medida en que el comportamiento sea lineal, la evolución temporal de la respuesta BOLD a un estímulo arbitrario puede modelarse mediante la convolución de dicho estímulo con la respuesta BOLD al impulso. Un modelado preciso de la evolución temporal es importante para estimar la magnitud de la respuesta BOLD. ^{[ 33 ] [ 34 ]}

Esta fuerte suposición fue estudiada por primera vez en 1996 por Boynton y sus colegas, quienes verificaron los efectos en la corteza visual primaria de patrones que parpadeaban 8  veces por segundo y se presentaban durante 3 a 24  segundos. Sus resultados mostraron que, al aumentar el contraste visual de la imagen, la forma de la respuesta de hipersensibilidad (RH) se mantenía igual, pero su amplitud aumentaba proporcionalmente. Con algunas excepciones, las respuestas a estímulos más largos también podían inferirse sumando las respuestas a múltiples estímulos más cortos que sumaban la misma duración más larga. En 1997, Dale y Buckner probaron si los eventos individuales, en lugar de bloques de cierta duración, también se sumaban de la misma manera, y descubrieron que sí. Pero también encontraron desviaciones del modelo lineal en intervalos de tiempo menores a 2  segundos.

Una fuente de no linealidad en la respuesta fMRI es el período refractario, donde la actividad cerebral de un estímulo presentado suprime la actividad posterior en un estímulo similar subsiguiente. A medida que los estímulos se acortan, el período refractario se vuelve más notorio. El período refractario no cambia con la edad, ni tampoco las amplitudes de HR . El período difiere entre las regiones cerebrales. Tanto en la corteza motora primaria como en la corteza visual, la amplitud de HR escala linealmente con la duración de un estímulo o respuesta. En las regiones secundarias correspondientes, la corteza motora suplementaria , que está involucrada en la planificación del comportamiento motor, y la región V5 sensible al movimiento, se observa un período refractario fuerte y la amplitud de HR se mantiene constante en un rango de duraciones de estímulo o respuesta. El efecto refractario puede usarse de manera similar a la habituación para ver qué características de un estímulo discrimina una persona como nuevas. ^{[ 35 ]} Existen más límites a la linealidad debido a la saturación: con altos niveles de estimulación se alcanza una respuesta BOLD máxima.

El ruido son cambios no deseados en la señal de RM provenientes de elementos que no son de interés para el estudio. Las cinco principales fuentes de ruido en la RM funcional son el ruido térmico, el ruido del sistema, el ruido fisiológico, la actividad neuronal aleatoria y las diferencias en las estrategias mentales y el comportamiento entre personas y entre tareas dentro de una misma persona. El ruido térmico se multiplica proporcionalmente a la intensidad del campo estático, mientras que el ruido fisiológico se multiplica por el cuadrado de la intensidad del campo. Dado que la señal también se multiplica por el cuadrado de la intensidad del campo, y dado que el ruido fisiológico representa una gran proporción del ruido total, las intensidades de campo superiores a 3  T no siempre producen imágenes proporcionalmente mejores.

El calor provoca el movimiento de los electrones y distorsiona la corriente en el detector de resonancia magnética funcional (fMRI), generando ruido térmico. Este ruido aumenta con la temperatura. También depende del rango de frecuencias detectadas por la bobina receptora y su resistencia eléctrica. Afecta a todos los vóxeles de forma similar, independientemente de la anatomía. ^{[ 56 ]}

El ruido del sistema proviene del hardware de imagen. Una forma es la deriva del escáner, causada por la variación del campo del imán superconductor a lo largo del tiempo. Otra forma son los cambios en la distribución de corriente o voltaje del propio cerebro, que inducen cambios en la bobina receptora y reducen su sensibilidad. Se utiliza un procedimiento llamado adaptación de impedancia para evitar este efecto de inductancia. También puede haber ruido debido a la falta de uniformidad del campo magnético. Esto se suele corregir mediante bobinas de compensación, pequeños imanes que se insertan físicamente, por ejemplo, en la boca del sujeto, para corregir el campo magnético. Las no uniformidades suelen estar cerca de los senos cerebrales, como el oído, y tapar la cavidad durante largos periodos puede resultar incómodo. El proceso de escaneo adquiere la señal de RM en el espacio k, en el que las frecuencias espaciales superpuestas (es decir, los bordes repetidos en el volumen de la muestra) se representan con líneas. La transformación de esto en vóxeles introduce cierta pérdida y distorsiones. ^{[ 57 ]}

El ruido fisiológico proviene del movimiento de la cabeza y el cerebro dentro del escáner debido a la respiración, los latidos del corazón o la inquietud, tensión o respuestas físicas del sujeto, como presionar botones. Los movimientos de la cabeza provocan cambios en el mapeo de vóxeles a neuronas durante el escaneo. El ruido debido al movimiento de la cabeza es un problema particular al trabajar con niños, aunque existen medidas que se pueden tomar para reducirlo durante el escaneo, como cambios en el diseño experimental y entrenamiento previo a la sesión de escaneo. ^{[ 58 ]} Dado que la resonancia magnética funcional (fMRI) se adquiere en cortes, después del movimiento, un vóxel continúa refiriéndose a la misma ubicación absoluta en el espacio, mientras que las neuronas debajo de él habrían cambiado. Otra fuente de ruido fisiológico es el cambio en la tasa de flujo sanguíneo, el volumen sanguíneo y el uso de oxígeno a lo largo del tiempo. Este último componente contribuye a dos tercios del ruido fisiológico, que, a su vez, es el principal contribuyente al ruido total. ^{[ 59 ]}

Incluso con el mejor diseño experimental, resulta imposible controlar y limitar todos los estímulos de fondo que afectan al sujeto: el ruido del escáner, los pensamientos aleatorios, las sensaciones físicas, etc. Estos generan actividad neuronal independiente de la manipulación experimental. No son susceptibles de modelado matemático y deben controlarse mediante el diseño del estudio.

Las estrategias de una persona para responder o reaccionar a un estímulo y resolver problemas suelen cambiar con el tiempo y a lo largo de las tareas. Esto genera variaciones en la actividad neuronal entre ensayos dentro de un mismo sujeto. La actividad neuronal también difiere entre individuos por razones similares. Los investigadores suelen realizar estudios piloto para observar el desempeño típico de los participantes en la tarea en cuestión. Asimismo, suelen entrenar a los sujetos sobre cómo responder o reaccionar en una sesión de entrenamiento previa a la del escaneo. ^{[ 60 ]}

La plataforma del escáner genera un  volumen 3D de la cabeza del sujeto en cada TR. Este volumen consta de una matriz de valores de intensidad de vóxel, un valor por vóxel en el escaneo. Los vóxeles se disponen uno tras otro, desplegando la estructura tridimensional en una sola línea. Varios de estos volúmenes de una sesión se combinan para formar un  volumen 4D correspondiente a una ejecución, durante el tiempo que el sujeto permaneció en el escáner sin ajustar la posición de la cabeza. Este  volumen 4D es el punto de partida para el análisis. La primera parte de dicho análisis es el preprocesamiento.

El primer paso en el preprocesamiento es, convencionalmente, la corrección de la sincronización de cortes. El escáner de resonancia magnética adquiere diferentes cortes dentro de un mismo volumen cerebral en distintos momentos, por lo que estos representan la actividad cerebral en diferentes instantes. Dado que esto complica el análisis posterior, se aplica una corrección de sincronización para que todos los cortes tengan la misma referencia temporal. Esto se logra asumiendo que la evolución temporal de un vóxel es continua cuando se representa como una línea punteada. De este modo, el valor de intensidad del vóxel en otros momentos que no se encuentran en los fotogramas muestreados se puede calcular rellenando los puntos para crear una curva continua.

La corrección del movimiento de la cabeza es otro paso común de preprocesamiento. Cuando la cabeza se mueve, las neuronas bajo un vóxel también se mueven, y por lo tanto, su evolución temporal ahora representa en gran medida la de algún otro vóxel en el pasado. De ahí que la curva de evolución temporal se corte y pegue de un vóxel a otro. La corrección del movimiento intenta diferentes maneras de revertir este proceso para ver cuál de las dos reversiones produce la evolución temporal más suave para todos los vóxeles. La reversión se realiza aplicando una transformación de cuerpo rígido al volumen, desplazando y rotando todos los datos del volumen para tener en cuenta el movimiento. El volumen transformado se compara estadísticamente con el volumen en el primer punto temporal para ver qué tan bien coinciden, utilizando una función de costo como la correlación o la información mutua . La transformación que proporciona la función de costo mínima se elige como el modelo para el movimiento de la cabeza. Dado que la cabeza puede moverse de una gran variedad de maneras, no es posible buscar todos los candidatos posibles; tampoco existe actualmente un algoritmo que proporcione una solución óptima global independientemente de las primeras transformaciones que se prueben en una cadena.

Las correcciones de distorsión compensan las no uniformidades del campo del escáner. Un método, como se describió anteriormente, consiste en utilizar bobinas de compensación. Otro consiste en recrear un mapa del campo principal adquiriendo dos imágenes con tiempos de eco diferentes. Si el campo fuera uniforme, las diferencias entre las dos imágenes también lo serían. Cabe destacar que estas no son técnicas de preprocesamiento propiamente dichas, ya que son independientes del estudio en sí. La estimación del campo de sesgo es una técnica de preprocesamiento real que utiliza modelos matemáticos del ruido de la distorsión, como campos aleatorios de Markov y algoritmos de maximización de la esperanza , para corregir la distorsión.

En general, los estudios de fMRI adquieren tanto múltiples imágenes funcionales con fMRI como una imagen estructural con MRI. La imagen estructural suele tener mayor resolución y depende de una señal diferente: la relajación del campo magnético T1 tras la excitación. Para delimitar las regiones de interés en la imagen funcional, es necesario alinearla con la estructural. Incluso cuando se realiza un análisis de todo el cerebro, para interpretar los resultados finales, es decir, para determinar en qué regiones se encuentran los vóxeles activos, es preciso alinear la imagen funcional con la estructural. Esto se realiza mediante un algoritmo de corregistro similar al de corrección de movimiento, con la diferencia de que las resoluciones son distintas y los valores de intensidad no se pueden comparar directamente, ya que la señal de generación es diferente.

Los estudios típicos de resonancia magnética (RM) escanean a varios sujetos. Para integrar los resultados de todos los sujetos, una posibilidad es usar un atlas cerebral común, ajustar todos los cerebros para que se alineen con él y luego analizarlos como un solo grupo. Los atlas más utilizados son el de Talairach, un cerebro único de una mujer mayor creado por Jean Talairach , y el del Instituto Neurológico de Montreal (MNI). El segundo es un mapa probabilístico creado mediante la combinación de escaneos de más de cien individuos. Esta normalización a una plantilla estándar se realiza comprobando matemáticamente qué combinación de estiramiento, compresión y deformación reduce las diferencias entre el objetivo y la referencia. Si bien esto es conceptualmente similar a la corrección de movimiento, los cambios necesarios son más complejos que la simple traslación y rotación, por lo que la optimización probablemente dependa aún más de las primeras transformaciones de la cadena que se comprueba.

El filtrado temporal consiste en eliminar las frecuencias irrelevantes de la señal. El cambio de intensidad de un vóxel a lo largo del tiempo se puede representar como la suma de varias ondas repetitivas con diferentes periodos y amplitudes. Un gráfico con estos periodos en el eje x y las amplitudes en el eje y se denomina espectro de potencia , y se crea mediante la transformada de Fourier . El filtrado temporal consiste en eliminar las ondas periódicas que no nos interesan del espectro de potencia y, a continuación, sumarlas de nuevo, utilizando la transformada inversa de Fourier para crear una nueva serie temporal para el vóxel. Un filtro de paso alto elimina las frecuencias más bajas, y la frecuencia más baja que se puede identificar con esta técnica es el recíproco del doble del TR. Un filtro de paso bajo elimina las frecuencias más altas, mientras que un filtro de paso de banda elimina todas las frecuencias excepto el rango de interés.

El suavizado, o filtrado espacial, consiste en promediar las intensidades de los vóxeles cercanos para producir un mapa espacial uniforme del cambio de intensidad en el cerebro o la región de interés. El promedio se suele realizar mediante convolución con un filtro gaussiano , que, en cada punto espacial, pondera los vóxeles vecinos según su distancia, y las ponderaciones disminuyen exponencialmente siguiendo una curva de campana . Si la extensión espacial real de la activación, es decir, la dispersión del grupo de vóxeles simultáneamente activos, coincide con el ancho del filtro utilizado, este proceso mejora la relación señal-ruido . También hace que el ruido total para cada vóxel siga una distribución de campana, ya que la suma de un gran número de distribuciones independientes e idénticas de cualquier tipo produce la curva de campana como caso límite. Pero si la extensión espacial de la activación supuesta no coincide con el filtro, la señal se reduce. ^{[ 61 ]}

Un enfoque común para analizar datos de fMRI es considerar cada vóxel por separado dentro del marco del modelo lineal general . El modelo asume, en cada instante de tiempo, que la respuesta hemodinámica (RH) es igual a la versión escalada y sumada de los eventos activos en ese instante. Un investigador crea una matriz de diseño que especifica qué eventos están activos en cada instante de tiempo. Una forma común es crear una matriz con una columna por evento superpuesto y una fila por instante de tiempo, y marcarla si un evento en particular, por ejemplo, un estímulo, está activo en ese instante. Luego se asume una forma específica para la RH, dejando solo su amplitud variable en los vóxeles activos. La matriz de diseño y esta forma se utilizan para generar una predicción de la RH exacta del vóxel en cada instante de tiempo, utilizando el procedimiento matemático de convolución . Esta predicción no incluye el escalado necesario para cada evento antes de sumarlos.

El modelo básico asume que la frecuencia cardíaca observada es la frecuencia cardíaca predicha escalada por los pesos para cada evento y luego sumada, con ruido incorporado. Esto genera un conjunto de ecuaciones lineales con más ecuaciones que incógnitas. Una ecuación lineal tiene una solución exacta, en la mayoría de los casos, cuando las ecuaciones y las incógnitas coinciden. Por lo tanto, se podría elegir cualquier subconjunto de las ecuaciones, con un número igual al de variables, y resolverlas. Pero, cuando estas soluciones se sustituyen en las ecuaciones restantes, habrá una discrepancia entre los lados derecho e izquierdo, el error. El modelo GLM intenta encontrar los pesos de escala que minimizan la suma de los cuadrados del error. Este método es demostrablemente óptimo si el error se distribuye como una curva de campana y si el modelo de escalado y suma es preciso. Para una descripción más matemática del modelo GLM, consulte modelos lineales generalizados .

El modelo GLM no tiene en cuenta la contribución de las relaciones entre múltiples vóxeles. Mientras que los métodos de análisis GLM evalúan si la amplitud de la señal de un vóxel o región es mayor o menor para una condición que para otra, los modelos estadísticos más recientes, como el análisis de patrones multivóxel (MVPA), utilizan las contribuciones únicas de múltiples vóxeles dentro de una población de vóxeles. En una implementación típica, se entrena un clasificador o un algoritmo más básico para distinguir ensayos para diferentes condiciones dentro de un subconjunto de los datos. El modelo entrenado se prueba prediciendo las condiciones de los datos restantes (independientes). Este enfoque se logra generalmente entrenando y probando en diferentes sesiones o ejecuciones del escáner. Si el clasificador es lineal, el modelo de entrenamiento es un conjunto de pesos que se utilizan para escalar el valor en cada vóxel antes de sumarlos para generar un solo número que determina la condición para cada ensayo del conjunto de prueba. Más información sobre el entrenamiento y la prueba de clasificadores se encuentra en la clasificación estadística . ^{[ 62 ]} MVPA permite inferencias sobre el contenido de información de las representaciones neuronales subyacentes reflejadas en la señal BOLD, ^{[ 63 ]} aunque existe controversia sobre si la información detectada por este método refleja información codificada a nivel de columnas o escalas espaciales más altas. ^{[ 64 ]} Además, es más difícil decodificar información de la corteza prefrontal en comparación con la corteza visual y tales diferencias en la sensibilidad entre regiones hacen que las comparaciones entre regiones sean problemáticas. ^{[ 65 ]} Otro método que utilizó el mismo conjunto de datos de fMRI para el reconocimiento de objetos visuales en el cerebro humano depende del análisis de patrones multivoxel (voxels de fMRI) y el aprendizaje multivista que se describe en, ^{[ 66 ]} este método utilizó búsqueda metaheurística e información mutua para eliminar los vóxeles ruidosos y seleccionar las señales BOLD significativas.

Si la condición de referencia está demasiado cerca de la activación máxima, ciertos procesos pueden no estar representados adecuadamente. ^{[ 73 ]} Otra limitación en el diseño experimental es el movimiento de la cabeza, que puede provocar cambios artificiales en la intensidad de la señal de fMRI. ^{[ 73 ]}

En un diseño de bloques, dos o más condiciones se alternan mediante bloques. Cada bloque tendrá una duración de un cierto número de exploraciones de fMRI y dentro de cada bloque solo se presenta una condición. Al hacer que las condiciones difieran únicamente en el proceso cognitivo de interés, la señal de fMRI que las diferencia debería representar este proceso cognitivo de interés. Esto se conoce como el paradigma de sustracción. ^{[ 74 ]} El aumento en la señal de fMRI en respuesta a un estímulo es aditivo. Esto significa que la amplitud de la respuesta hemodinámica (HR) aumenta cuando se presentan múltiples estímulos en rápida sucesión. Cuando cada bloque se alterna con una condición de reposo en la que la HR tiene tiempo suficiente para volver a la línea de base, se introduce una cantidad máxima de variabilidad en la señal. Por lo tanto, concluimos que los diseños de bloques ofrecen una potencia estadística considerable. ^{[ 75 ] [ 76 ]} Sin embargo, existen graves inconvenientes en este método, ya que la señal es muy sensible a la deriva de la señal, como el movimiento de la cabeza, especialmente cuando solo se utilizan unos pocos bloques. Otro factor limitante es una mala elección de la línea de base, ya que puede impedir que se extraigan conclusiones significativas. También existen problemas con muchas tareas que no pueden repetirse. Dado que en cada bloque solo se presenta una condición, no es posible aleatorizar los tipos de estímulo dentro de un bloque. Esto hace que el tipo de estímulo dentro de cada bloque sea muy predecible. En consecuencia, los participantes pueden llegar a conocer el orden de los eventos. ^{[ 75 ] [ 76 ]}

Los diseños relacionados con eventos permiten realizar más pruebas en el mundo real; sin embargo, el poder estadístico de estos diseños es inherentemente bajo, debido a que el cambio de señal en la señal fMRI BOLD tras la presentación de un único estímulo es pequeño. ^{[ 77 ] [ 78 ]}

Tanto los diseños de bloques como los relacionados con eventos se basan en el paradigma de sustracción , que asume que se pueden agregar selectivamente procesos cognitivos específicos en diferentes condiciones. Se asume que cualquier diferencia en el flujo sanguíneo (la señal BOLD) entre estas dos condiciones refleja el proceso cognitivo diferente. Además, este modelo asume que se puede agregar selectivamente un proceso cognitivo a un conjunto de procesos cognitivos activos sin afectarlos. ^{[ 74 ]}

La superposición de señales en la resonancia magnética funcional (RMf) representa un desafío significativo en la investigación en neurociencia cognitiva, especialmente cuando se presentan múltiples estímulos o tareas en un lapso temporal cercano. ^{[ 79 ]} La respuesta BOLD tiene una resolución temporal lenta en comparación con la rápida sucesión de eventos cognitivos. Esto provoca la superposición de señales de diferentes procesos cerebrales, lo que dificulta diferenciar qué actividad neuronal está asociada con estímulos o tareas específicas. Esta superposición reduce la precisión de los análisis de RMf relacionados con eventos, lo que complica las interpretaciones de la función cerebral.

Los diseños tradicionales de fMRI, como los diseños de bloques o relacionados con eventos, presentan limitaciones para gestionar esta superposición de señales, especialmente en estudios con diseños alternados no aleatorios, donde las mismas tareas o estímulos pueden aparecer repetidamente y muy cerca unos de otros. ^{[ 80 ]} Como resultado, la sincronización de los estímulos se convierte en un factor crucial para asegurar que la señal de fMRI de un evento sea suficientemente distinta de la del siguiente.

Para abordar estos desafíos, los investigadores emplean técnicas como la deconvolución, que separa matemáticamente las respuestas BOLD superpuestas. ^{[ 81 ] [ 82 ]} En 2023, Das y sus colegas demostraron varias formas de optimizar la sincronización entre eventos individuales para minimizar la convolución de las señales evocadas por ellos que están cerca unas de otras. ^{[ 83 ]} Estos métodos intentan estimar la contribución de cada evento neuronal a la señal general, lo que permite una interpretación más precisa de la actividad cerebral. Los avances en los métodos analíticos, como las herramientas especializadas para optimizar los diseños experimentales, son cruciales para mitigar los efectos de la superposición de señales y mejorar la fiabilidad de los estudios de fMRI.

El cerebro nunca está completamente en reposo. Nunca deja de funcionar y de disparar señales neuronales, así como de consumir oxígeno mientras la persona en cuestión esté viva. De hecho, en el estudio de Stark y Squire de 2001 ^{[ 84 ]} When zero is not zero: The problem of ambiguous baseline conditions in fMRI , la actividad en el lóbulo temporal medial (así como en otras regiones cerebrales) fue sustancialmente mayor durante el reposo que durante varias condiciones de referencia alternativas. El efecto de esta actividad elevada durante el reposo fue reducir, eliminar o incluso invertir el signo de la actividad durante las condiciones de tarea relevantes para las funciones de memoria. Estos resultados demuestran que los períodos de reposo están asociados con una actividad cognitiva significativa y, por lo tanto, no son una línea de base óptima para las tareas cognitivas. Para discernir las condiciones de línea de base y activación es necesario interpretar mucha información. Esto incluye situaciones tan simples como la respiración. Los bloques periódicos pueden dar como resultado datos idénticos o otra varianza en los datos si la persona respira a una frecuencia regular de 1 respiración/5seg, y los bloques ocurren cada 10s, lo que perjudica los datos.

Los métodos de neuroimagen, como la resonancia magnética funcional (RMf) y la resonancia magnética (RM), ofrecen una medida de la activación de ciertas áreas cerebrales en respuesta a tareas cognitivas realizadas durante el proceso de escaneo. Los datos obtenidos durante este tiempo permiten a los neurocientíficos cognitivos obtener información sobre el papel de regiones cerebrales específicas en la función cognitiva. ^{[ 85 ]} Sin embargo, surge un problema cuando los investigadores afirman que ciertas regiones cerebrales identifican la activación de procesos cognitivos previamente etiquetados. ^{[ 86 ]} Poldrack ^{[ 87 ]} describe claramente este problema:

El tipo habitual de inferencia que se extrae de los datos de neuroimagen es del tipo "si el proceso cognitivo X está activado, entonces el área cerebral Z está activa". Sin embargo, una lectura atenta de las secciones de discusión de algunos artículos sobre resonancia magnética funcional (fMRI) revelará rápidamente una epidemia de razonamiento que adopta la siguiente forma:

(1) En el presente estudio, cuando se presentó la comparación de tareas A, el área cerebral Z se activó.

(2) En otros estudios, cuando se suponía que el proceso cognitivo X estaba involucrado, entonces el área cerebral Z estaba activa.

(3) Por lo tanto, la actividad del área Z en el presente estudio demuestra la participación del proceso cognitivo X mediante la comparación de tareas A.

Se trata de una "inferencia inversa", ya que razona hacia atrás partiendo de la presencia de activación cerebral para llegar a la implicación de una función cognitiva particular.

La inferencia inversa demuestra la falacia lógica de afirmar lo que se acaba de encontrar, aunque esta lógica podría estar respaldada por casos en los que un determinado resultado se genera únicamente por un suceso específico. Con respecto al cerebro y su función, rara vez una región cerebral particular se activa únicamente por un proceso cognitivo. ^{[ 87 ]} Algunas sugerencias para mejorar la legitimidad de la inferencia inversa han incluido tanto aumentar la selectividad de la respuesta en la región cerebral de interés como aumentar la probabilidad previa del proceso cognitivo en cuestión. ^{[ 87 ]} Sin embargo, Poldrack ^{[ 85 ]} sugiere que la inferencia inversa debería usarse simplemente como una guía para orientar la investigación posterior, en lugar de un medio directo para interpretar los resultados.

La inferencia directa es un método basado en datos que utiliza patrones de activación cerebral para distinguir entre teorías cognitivas en competencia. Comparte características con la lógica de disociación de la psicología cognitiva y el encadenamiento directo de la filosofía . Por ejemplo, Henson ^{[ 88 ]} analiza la contribución de la inferencia directa al debate entre la teoría del proceso único y la teoría del proceso dual en relación con la memoria de reconocimiento . La inferencia directa apoya la teoría del proceso dual al demostrar que existen dos patrones de activación cerebral cualitativamente diferentes al distinguir entre juicios de "recordar y saber ". El principal problema de la inferencia directa es que se trata de un método correlacional . Por lo tanto, no se puede tener la certeza absoluta de que las regiones cerebrales activadas durante el proceso cognitivo sean completamente necesarias para la ejecución de dichos procesos. ^{[ 85 ]} De hecho, existen muchos casos conocidos que demuestran precisamente eso. Por ejemplo, se ha demostrado que el hipocampo se activa durante el condicionamiento clásico , ^{[ 89 ]} sin embargo, estudios de lesiones han demostrado que el condicionamiento clásico puede ocurrir sin el hipocampo. ^{[ 90 ]}

La resonancia magnética (RM) ofrece, en general, una mejor resolución espacial que el electroencefalograma (EEG) y la magnetoencefalografía (MEG), aunque no tan buena como la de procedimientos invasivos como los electrodos de una sola unidad. Si bien las resoluciones típicas se encuentran en el rango de los milímetros, la RM de ultra alta resolución o espectroscopia por RM funciona con una resolución de decenas de micrómetros. Utiliza  campos de 7 T, escáneres de pequeño diámetro que permiten el uso de animales pequeños como ratas y agentes de contraste externos como óxido de hierro fino. Para el uso en humanos se requieren escáneres de mayor diámetro, lo que dificulta alcanzar intensidades de campo más altas, especialmente si el campo debe ser uniforme; además, requiere contraste interno como BOLD o un agente de contraste externo no tóxico, a diferencia del óxido de hierro.

La imagen paralela es otra técnica para mejorar la resolución espacial. Esta utiliza múltiples bobinas para la excitación y la recepción. La resolución espacial mejora con la raíz cuadrada del número de bobinas utilizadas. Esto se puede lograr con una matriz de fase, donde las bobinas se combinan en paralelo y a menudo muestrean áreas superpuestas con espacios en el muestreo, o con matrices de bobinas masivas, que son un conjunto mucho más denso de receptores separados de las bobinas de excitación. Sin embargo, estas últimas captan mejor las señales de la superficie cerebral y peor las de estructuras más profundas, como el hipocampo .

La resolución temporal de la fMRI está limitada por: (1) el mecanismo de retroalimentación que aumenta el flujo sanguíneo opera lentamente; (2) tener que esperar a que la magnetización neta se recupere antes de muestrear una nueva sección; y (3) tener que adquirir múltiples secciones para cubrir todo el cerebro o la región de interés. Las técnicas avanzadas para mejorar la resolución temporal abordan estos problemas. El uso de múltiples bobinas acelera el tiempo de adquisición en proporción exacta a las bobinas utilizadas. Otra técnica es decidir qué partes de la señal son menos importantes y descartarlas. Esto podría ser tanto aquellas secciones de la imagen que se repiten con frecuencia en un mapa espacial (es decir, pequeños grupos que salpican la imagen periódicamente) como aquellas secciones que se repiten con poca frecuencia (grupos más grandes). El primero, un filtro de paso alto en el espacio k, ha sido propuesto por Gary H. Glover y sus colegas en Stanford . Estos mecanismos presuponen que el investigador tiene una idea de la forma esperada de la imagen de activación.

La técnica EPI de eco de gradiente típica utiliza dos bobinas de gradiente dentro de un corte, activando primero una y luego la otra, trazando un conjunto de líneas en el espacio k. Activar ambas bobinas de gradiente permite generar líneas angulares que cubren el mismo espacio de cuadrícula con mayor rapidez. Ambas bobinas de gradiente también pueden activarse en una secuencia específica para trazar una forma espiral en el espacio k. Esta secuencia de imágenes en espiral adquiere imágenes más rápidamente que las secuencias de eco de gradiente, pero requiere más transformaciones matemáticas (y suposiciones consiguientes), ya que la conversión de vuelta al espacio de vóxeles exige que los datos estén en forma de cuadrícula (un conjunto de puntos igualmente espaciados tanto en dirección horizontal como vertical).

El contraste BOLD depende del flujo sanguíneo, que es lento en respuesta a los estímulos y está sujeto a influencias ruidosas. Otros biomarcadores que se están considerando para proporcionar un mejor contraste incluyen la temperatura, la acidez/alcalinidad (pH), los agentes sensibles al calcio, el campo magnético neuronal y el efecto Lorentz. El contraste de temperatura depende de los cambios en la temperatura cerebral debido a su actividad. La combustión inicial de la glucosa eleva la temperatura, y la posterior entrada de sangre fresca y fría la disminuye. Estos cambios alteran las propiedades magnéticas del tejido. Dado que el contraste interno es demasiado difícil de medir, se utilizan agentes externos, como los compuestos de tulio , para potenciar el efecto. El contraste basado en el pH depende de los cambios en el equilibrio ácido/alcalino de las células cerebrales cuando se activan. Esto también suele requerir un agente externo. Los agentes sensibles al calcio hacen que la resonancia magnética sea más sensible a las concentraciones de calcio, ya que los iones de calcio suelen ser los mensajeros de las vías de señalización celular en las neuronas activas. El contraste del campo magnético neuronal mide directamente los cambios magnéticos y eléctricos derivados de la activación neuronal. La obtención de imágenes mediante el efecto Lorentz intenta medir el desplazamiento físico de neuronas activas que transportan una corriente eléctrica dentro de un campo estático intenso. ^{[ 102 ]}

La ocupación del espacio vascular (VASO) mide los cambios en el volumen sanguíneo cerebral (CBV), que es un marcador de actividad neuronal menos ambiguo que la señal BOLD. La intensidad de la señal es inversamente proporcional al CBV, con cambios típicos de la señal alrededor del -1,5 %. Se basa en la diferencia T₁ entre la sangre y el tejido circundante. ^{[ 103 ]} Debido a que anula la señal sanguínea, VASO elimina la contribución de las grandes venas a la señal de RM, reduciendo el riesgo de localizar erróneamente la actividad cerebral en venas de drenaje cercanas y logrando una alta especificidad espacial, lo que hace que la técnica sea muy adecuada para la fMRI específica de capa. VASO permite la cuantificación fiable de parámetros fisiológicos como la tasa metabólica cerebral de oxígeno o la fracción de extracción de oxígeno. Sin embargo, el enfoque presenta algunas limitaciones en comparación con las técnicas que se basan en la señal BOLD. VASO generalmente tiene menor sensibilidad, menor relación señal-ruido (SNR) y menor relación contraste-ruido (CNR), así como una eficiencia de imagen reducida y una mayor susceptibilidad a los artefactos de movimiento. ^{[ 104 ]}

fMRI de precesión libre de estado estacionario balanceada (bSSFP): bSSFP ofrece una alta eficiencia SNR debido al uso optimizado de la magnetización, lo que conduce a un alto tSNR. También presenta una distorsión reducida debido a sus lecturas cortas, minimizando la distorsión inducida por susceptibilidad y la pérdida de señal en comparación con GRE-EPI. Es compatible con estrategias avanzadas de lectura corta como trayectorias de disparos múltiples, espirales y radiales. Sin embargo, bSSFP es propenso a artefactos de bandas por efectos de desintonización y tiene un mecanismo de contraste complejo influenciado por T₂/T₁, difusión y desintonización. También tiende a tener un SAR más alto en comparación con las secuencias GRE. ^{[ 105 ]} bSSFP de banda de paso: esta variante tiene una respuesta de magnitud plana en un amplio rango de frecuencia (aproximadamente 75% de 1/TR). Su contraste se basa en T₂, impulsado por la difusión en gradientes de susceptibilidad y cambios intravasculares de T₂, con baja sensibilidad a los cambios de frecuencia. Aunque ofrece un contraste menor que el GRE de TE largo, proporciona una robustez superior a las variaciones de desintonización y de homogeneización, lo que permite una cobertura eficiente de todo el cerebro con un ciclo de fase mínimo. Se podrían usar ángulos de giro mayores para operar en la región de banda de paso. bSSFP de banda de transición: este tipo opera dentro de un rango de frecuencia estrecho (alrededor del 10-15% de 1/TR) con una respuesta de magnitud y fase pronunciada. Su sensibilidad BOLD está impulsada por la frecuencia, donde pequeños cambios de frecuencia causan grandes cambios de señal, lo que potencialmente produce un alto contraste funcional (10-40%). Sin embargo, esto lo hace altamente dependiente de la frecuencia de resonancia de referencia del vóxel y crítico de la calidad de homogeneización, lo que dificulta la cobertura de todo el cerebro sin adquisiciones múltiples. Aplicaciones: las técnicas bSSFP pueden ser beneficiosas para imágenes específicas de capas o estudios que requieren una alta relación señal/ruido y una excelente resolución temporal, especialmente en regiones cerebrales de bajo campo o baja relación señal/ruido.

fMRI multieco, multicontraste (SAGE): Las técnicas SAGE buscan combinar la alta sensibilidad del eco multigradiente (MGE) con la especificidad microvascular del eco de espín (SE). Adquieren simultáneamente múltiples ecos de gradiente y ecos de espín (p. ej., 2 GRE, 2 SE asimétricos, 1 SE), lo que permite una relación de contraste a ruido (CNR) y una relación señal a ruido temporal (tSNR) optimizadas en diferentes valores de T₂*. Los ecos pueden ponderarse para enfatizar el contraste T₂*-BOLD (wT₂*), similar a GRE, o el contraste T₂-BOLD (wT₂), similar a SE. Por ejemplo, la ponderación wT₂* utiliza GRE pre-reenfoque y ecos de espín asimétricos (ASE), mientras que la ponderación wT₂ utiliza ASE post-reenfoque y el SE puro. Este método resulta especialmente útil para estudios centrados en la fisiología vascular o cuando se necesita evitar la variabilidad entre exploraciones. Una limitación es su dependencia de métodos de aceleración como multibanda (MB) o SENSE.

fMRI silenciosa: Basada en la secuencia de imágenes ultrarrápidas rotatorias radiales 3D (RUFIS), Looping Star mejora RUFIS/Zero Echo Time (ZTE) al agregar reenfoque de gradiente multiplexado en el tiempo. Esto permite la adquisición de múltiples ecos más allá del FID inicial (TE ≈ 0) para proporcionar un contraste BOLD T₂* esencial. Su principal ventaja es la reducción significativa del ruido acústico, aproximadamente 25 dBA más silenciosa que la GRE-EPI convencional (una reducción de ~98%). Las limitaciones incluyen posibles artefactos de mezcla de eco que requieren corrección y posiblemente una tSNR y sensibilidad BOLD reducidas en comparación con GRE-EPI. Los estudios han demostrado que, si bien Looping Star identifica redes de activación similares a GE-EPI, puede exhibir una extensión de activación reducida y valores T más bajos debido a una tSNR más baja. ^{[ 106 ]} Se encontró que su sensibilidad BOLD era de alrededor del 69,5% en relación con GE-EPI. Aplicaciones: Las técnicas de resonancia magnética funcional silenciosa son especialmente valiosas para tareas auditivas (para evitar el ruido del escáner correlacionado con el estímulo), estudios pediátricos o para examinar sujetos sensibles al ruido fuerte.

• EMRF/TRTF (Peter A. Rinck, ed.), Resonancia magnética: una introducción crítica revisada por pares, 14.ª edición, 2025; Imágenes funcionales ()
• Joseph P. Hornak, Los fundamentos de la resonancia magnética ( en línea )
• Richard B. Buxton, Introducción a la resonancia magnética funcional: Principios y técnicas , Cambridge University Press, 2002, ISBN 0-521-58113-3
• Roberto Cabeza y Alan Kingstone, editores, Manual de neuroimagen funcional de la cognición, segunda edición , MIT Press, 2006, ISBN 0-262-03344-5
• Huettel, SA; Song, AW; McCarthy, G., Resonancia Magnética Funcional, Segunda Edición , 2009, Massachusetts: Sinauer, ISBN 978-0-87893-286-3