Tecniche di deep learning per migliorare la risoluzione temporale di acquisizioni fMRI

La risonanza magnetica funzionale (fMRI) è uno strumento essenziale non invasivo per lo studio delle attività cerebrali, ma è soggetta a limiti imposti dal compromesso tra risoluzione temporale, risoluzione spaziale e tempi di scansione. Le recenti innovazioni nel campo del deep learning offrono nuove opportunità per superare queste limitazioni, consentendo di migliorare la risoluzione temporale e accelerare il processo di acquisizione compromettendo il meno possibile la qualità dell'immagine. Questo lavoro esplora le basi fisiche e metodologiche dell'fMRI, analizzando i paradigmi del deep learning e il loro utilizzo per l'ottimizzazione delle acquisizioni fMRI. Attraverso una revisione critica delle principali tecniche sviluppate, si dimostra il potenziale del deep learning nell'aumentare la risoluzione temporale e nel potenziare le metodologie esistenti, contribuendo a una più accurata rappresentazione delle dinamiche cerebrali. In particolare, sono stati analizzati tre metodi che sfruttano paradigmi differenti. BD-CNN è in grado di ricostruire acquisizioni rs-fMRI sotto-campionate temporalmente di un fattore pari a 4 e sotto-campionate nel k-space di un fattore pari a 2. ResNet permette di accelerare acquisizioni fMRI di un fattore pari a 20, sotto-campionando solamente il k-space attraverso traiettorie di acquisizione a spirale complementari. PD-DL, infine, raggiunge anch'esso un fattore di accelerazione pari a 20 per acquisizioni Multi-Echo fMRI, senza la necessità di un insieme di addestramento formato da k-space completamente campionati.