تصور کنید بتوانید تراکم وکسل‌ها را به‌گونه‌ای افزایش دهید که وضوح تصویر ۱۰۰۰ برابر بیشتر از MRIهای عملکردی سنتی شود. این وعدهٔ تصویربرداری اولتراسوند عملکردی (fUSI) است؛ روشی که می‌تواند فعالیت مغز را با وضوحی خطی تا ۱۰ برابر بیشتر از fMRI و بدون نیاز به آهنرباهای عظیم ثبت کند. این متدولوژی با تحلیل حرکت سریع گلبول‌های قرمز، پاسخ‌های همودینامیک — یعنی هجوم خون به نورون‌های فعال — را ردیابی می‌کند.
در حالی که اولتراسوند ساختاری تصاویری ایستا (شبیه سونوگرافی) می‌سازد، fUSI فیلم‌هایی با سرعت بالا از بافت مغز می‌گیرد. این سیستم تغییرات ظریف جریان خون را که به دنبال فعالیت عصبی رخ می‌دهد شناسایی کرده و نقشه‌ای بی‌درنگ از عروق مغزی ارائه می‌دهد. به نقل از پژوهش‌های Macé et al. (۲۰۱۱)، این فرآیند برای اولین بار با استفاده از یک پروب اولتراسوند برای تصویربرداری سریع از مغز موش به نمایش گذاشته شد. در این روش، یک رویکرد محاسباتی برای جداسازی پیکسل‌هایی که به‌سرعت تغییر می‌کنند به کار گرفته شد تا نقشه‌ای از عروق تشکیل شود.
این تکنولوژی برای درمان‌های روان‌پزشکی یک نقطه عطف است. fUSI به‌طور طبیعی با اولتراسوند متمرکز با شدت پایین (LIFU یا fUS) جفت می‌شود که انرژی را روی یک ناحیه هدف در مغز متمرکز می‌کند تا آن را تعدیل کند. برای پژوهشگران، این روش جایگزینی ارزان‌تر، کوچک‌تر و با نسبت سیگنال به نویز بالاتر نسبت به اسکن‌های MRI سنتی است. اگرچه اولتراسوند به‌راحتی در جمجمه نفوذ نمی‌کند، اما fUSI در حین جراحی (intraoperatively) و در بیمارانی که پس از جراحی بازسازی جمجمه، دارای ایمپلنت‌های جمجمه‌ای شفاف از نظر آکوستیک هستند، با موفقیت آزمایش شده است.
بر اساس مستندات منتشر شده، توسعه‌های آینده ممکن است از عوامل کنتراست یا ژن‌درمانی استفاده کنند. این پیشرفت‌ها می‌تواند به fUSI اجازه دهد تا از پاسخ‌های همودینامیک فراتر رفته و عروق را در رزولوشن فوق‌بالا (super-resolution) اندازه‌گیری کند یا حتی مستقیماً فعالیت عصبی را بسنجد.
بسیاری از جزئیات فنی fUSI تا پیش از این در بخش‌های متدولوژی مقالات آکادمیک یا کتاب‌های ۸۰۰ صفحه‌ای دفن شده بود. اما در ۳۰ سپتامبر ۲۰۲۶، یک بررسی جامع و مجموعه‌ای از آموزش‌های متن‌باز پایتون از طریق neuroai.science منتشر شد تا تحلیل‌های محاسباتی این روش را همگانی کند. این منابع قصد دارند میدان را از ابزارهای بستهٔ Matlab خارج کرده و مبنایی برای مطالعه محاسباتی fUSI از طریق چهار دفترچه (Notebook) ارائه دهند: انتشار اولتراسوند، بازسازی ساختاری، بازسازی عملکردی و تحلیل داده‌های واقعی.
فیزیک کنتراست
اولتراسوند متداول از مبدل‌هایی (Transducers) استفاده می‌کند که هم فرستنده و هم گیرنده هستند تا موج‌هایی را ارسال و دریافت کنند که از طریق بافت منتقل می‌شوند. این موج‌ها در بافت مغز به‌راحتی حرکت می‌کنند و هرگاه به تغییری در امپدانس برخورد کنند — مانند گلبول‌های قرمز، حباب‌های هوا یا جمجمه — بازپراکنش (Backscatter) می‌شوند. با اندازه‌گیری این موج‌های بازگشتی، می‌توان تغییرات محلی امپدانس را به‌صورت محاسباتی بازسازی کرد.
وضوح تصویر به طول موج بستگی دارد؛ استفاده از ۱۸ مگاهرتز که در لبهٔ بالای کاربردهای بالینی است، می‌تواند وضوح خطی حدود ۱۰۰ میکرومتر ایجاد کند.
تصویربرداری عملکردی به این دلیل کار می‌کند که نورون‌های فعال انرژی مصرف می‌کنند و باعث گشاد شدن رگ‌ها و هجوم تاخیری خون به ناحیه فعال می‌شوند. این خون از نظر حجم، سرعت، محتوای اکسیژن و رنگ با حالت پایه متفاوت است. fUSI این تغییر را به‌صورت الگوهای متغیر از تداخل سازنده و ویرانگر در جبه‌های موج بازپراکنش شده شناسایی می‌کند. این بافت ریزدانه را «لکه» (Speckle) می‌نامند.
با دریافت تصاویر در نرخ‌های بیش از ۱ کیلوهرتز، fUSI تغییرات لکه‌ها را در طول زمان ردیابی می‌کند. میزان تغییر در این تصاویر مستقیماً با جریان و حجم خون در ارتباط است. تغییر سیگنال حاصل می‌تواند تا ۲۰٪ باشد که به‌طور قابل‌توجهی بیشتر از سیگنال BOLD در fMRI است که تنها چند درصد است.
برای درک شهودی این موضوع، تصویری با وضوح بالا از پل بروکلین در شب با سرعت شاتر پایین را تصور کنید؛ در این حالت آب صاف به نظر می‌رسد. برای ردیابی حرکت، باید یک فیلم با سرعت بالا بگیرید و انحراف معیار روشنایی هر پیکسل را در یک بازه زمانی اندازه بگیرید. در این صورت، آب‌های متلاطم قرمز روشن به نظر می‌رسند و به شما اجازه می‌دهند شدت تلاطم یا واکنش به یک قایق سریع را کمی‌سازی کنید. بنابراین، تحلیل ویدیو، جریان را آشکار می‌کند.
بازسازی و پردازش سیگنال
برخلاف سونار زیردریایی که یک پرتو متمرکز را جارو می‌کند، fUSI موج‌های تخت و متمرکزنشده (Unfocused plane waves) را ارسال می‌کند. این کار اجازه می‌دهد یک پالس واحد، کل صفحه تصویربرداری را به‌طور هم‌زمان بمباران کند و چندین آشکارساز بتوانند منبع بازپراکنش را شناسایی کنند.
نرخ تکرار توسط زمان رفت و برگشت اکو محدود می‌شود. برای یک مسیر رفت و برگشت ۱۰ سانتی‌متری با سرعت انتشار ۱۵۰۰ متر بر ثانیه، نرخ به ۱۵ کیلوهرتز می‌رسد. در عمل، موج‌های تخت در زوایای مختلف و تکرارهای متعدد ارسال شده و به‌صورت منسجم ترکیب (Coherently compounded) می‌شوند که نرخ فریم را به سطحی قابل مدیریت می‌رساند.
برای بازسازی تصویر، پژوهشگران باید چگالی پراکننده‌ها در بافت را بر اساس سری زمانی هر المان استنتاج کنند. این کار شامل معادله موج برای صدا در سیال است که شبیه به معادله ناویر-استوکس است اما از تقریب‌های متفاوتی استفاده می‌کند. اگر محیط پس‌زمینه همگن فرض شود، معادلات انتشار را می‌توان به‌صورت تحلیلی استخراج کرد و با تبدیل فوریه شبیه‌سازی نمود.
پژوهشگران اغلب از الگوریتم تشکیل پرتو «تاخیر و جمع» (DAS) استفاده می‌کنند. این الگوریتم زمان سفر از مبدل به یک پیکسل خاص و بازگشت آن را محاسبه کرده، این تاخیرها را روی سیگنال‌های خام اعمال می‌کند و آن‌ها را در فضای تصویر جمع می‌کند تا مکان پراکننده‌ها از طریق تداخل سازنده آشکار شود. این روش بر این اصل استوار است که یک سیگنال s(t) اندازه‌گیری شده در زمان t روی یک مبدل، از یک برش کوچک از فضا به شکل یک مقطع مخروطی می‌آید؛ ترکیب این مقاطع مخروطی، ابهام را برطرف می‌کند.
این فرآیند را می‌توان به عنوان یک مسئله بازسازی خطی مدل کرد که در آن ماتریس حساسیت A خوش‌حالت (Well-conditioned) است و ماتریس A’A نزدیک به قطری است. اگرچه DAS به‌جای استفاده از شبه‌معکوس (Pseudo-inverse)، ماتریس ترانهاده را در سیگنال ضرب می‌کند، اما استفاده از الگوریتم‌های پیچیده‌تر افزایش دقت چندانی ایجاد نمی‌کند. بازسازی در فضای مختلط رخ می‌دهد.
پس از دریافت دسته‌ای از تصاویر، از تخمین «پاور داپلر» (Power Doppler) استفاده می‌شود. PD انحراف معیار بازسازی مختلط را برای تخمین حجم خون اندازه می‌گیرد. نام این روش گمراه‌کننده است: PD تغییر فرکانس داپلر را اندازه نمی‌گیرد، بلکه تغییر در دامنه و فاز را ردیابی می‌کند. این روش به حرکت در راستای پرتو و عمود بر آن حساس است. شبیه‌سازی‌ها و راهکارهای تحلیلی نشان می‌دهند که PD بیشتر به تعداد پراکننده‌های متحرک حساس است تا سرعت آن‌ها.
با این حال، PD به شدت به حرکت‌های کلی، مانند تنفس سوژه، ضربان قلب یا جابجایی پروب حساس است (چون بافت مغز شبیه کره گرم است). برای رفع این مشکل، «فیلتر کردن آشغال‌ها» (Clutter Filtering) از تجزیه مقدار تکین (SVD) استفاده می‌کند تا جملات پیشرو در تجزیه زمانی و مکانی را یافته و آن‌ها را حذف کند.
- تاثیر فیلتر آشغال‌ها: در بسیاری از موارد، این روش بیش از ۹۹٪ واریانس توالی تصویر را حذف می‌کند تا سیگنال همودینامیک واقعی را ایزوله کند. این یک ابزار خشن است که احتمالاً بیش از حد نیاز داده‌ها را دور می‌ریزد.
- جایگزین اصلاح حرکت: یک راهکار دقیق‌تر، استفاده از تخمین‌گر حرکت صلب تکه‌ای مانند NoRMCorre (که معمولاً برای تصویربرداری کلسیم استفاده می‌شود) است تا حرکت کلی را قبل از اعمال فیلتر، اصلاح کند.
تحلیل پیشرفته و رمزگشایی
پژوهش‌های اخیر نشان می‌دهد که انحراف معیار تنها راه اندازه‌گیری حرکت نیست. با الهام از طیف‌سنجی همبستگی پراکنده، پژوهشگران می‌توانند از تابع خودهمبستگی (Autocorrelation function) سیگنال استفاده کنند. در حالی که سیگنال پاور داپلر بیشتر به تعداد پراکننده‌ها (حجم خون مغزی) حساس است، زمان زوال خودهمبستگی با سرعت (جریان خون مغزی) متناسب‌تر است. طبق گزارش Tang et al. (۲۰۲۰)، این یک کانال موازی برای مطالعه فراهم می‌کند.
این امر رمزگشایی دقیق‌تر از فعالیت مغز را ممکن می‌سازد. برای مثال، در مطالعه‌ای توسط Rabut et al. (۲۰۲۴)، fUSI برای رمزگشایی قصد بیمار برای حرکت دادن یک جوی‌استیک از طریق تحلیل قشر حرکتی استفاده شد. بیمار باید تصاویری را به روش‌های مختلف رسم می‌کرد و یک سری زمانی متصل به سیگنال خارجی ایجاد می‌شد.
پژوهشگران از مدل‌های خطی عمومی (GLM)، مدل‌های رمزگشایی و رمزگذاری و تحلیل الگوی چند-وکسلی (MVPA) برای یافتن وکسل‌های تعدیل‌شده توسط قصد حرکت استفاده می‌کنند. یک رمزگشای رگرسیون لجستیک می‌تواند جهت حرکت مورد نظر بیمار را تعیین کند.
یک پرسش باز این است که fUSI چه مقدار وضوح اضافی نسبت به fMRI برای دقت رمزگشایی فراهم می‌کند. این موضوع احتمالاً به متغیر بستگی دارد:
- متغیرهای رمزگذاری‌شده نرم: رتینوتوپی و سوماتوتوپی روی منیفولد قشری رمزگذاری شده‌اند و ممکن است سود زیادی نبرند.
- متغیرهای رمزگذاری‌شده دانه‌ریز: انتخاب جهت در قشر بینایی اولیه پراکنده است و احتمالاً از وضوح fUSI بیشتر بهره می‌برد. این سطح از تحلیل دقیق، شباهت‌های ساختاری با الگوهای پیچیده موجی در حافظه فضایی دارد که در پژوهش‌های اخیر برای درک پردازش اطلاعات در مغز شناسایی شده‌اند.
پاسخ به این سوال برای تعیین کاربرد fUSI در رابط‌های مغز-ماشین (رمزگشایی جزئیات حرکت) و اختلالات روان‌پزشکی (رمزگشایی ارزش ذهنی از جمعیت‌های ناهمگن نورونی) حیاتی است.
گلوگاه عروقی
یک محدودیت فیزیکی برای این وضوح بر اساس توپولوژی عروق وجود دارد. سیگنال در سطح مویرگ‌ها که به تعداد کمی از نورون‌ها تغذیه می‌کنند، بیشترین انتخاب‌گری را دارد اما بسیار کوچک است. در مقابل، سیاهرگ‌های بزرگ سیگنال‌هایی دارند که fUSI می‌تواند دریافت کند، اما آن‌ها سیگنال را از یک ناحیه تخلیه بزرگ با انتخاب‌گری مختلط میانگین می‌گیرند.
این شبیه خواندن آلاینده‌های رودخانه می‌سی‌سی‌پی از طریق ماهواره است: شما در نیورلئان که رودخانه یک مایل عرض دارد سیگنال قوی می‌گیرید، اما نمی‌توانید منبع اصلی را شناسایی کنید چون حوضه آبریز بخش بزرگی از قاره را پوشش می‌دهد.
شواهد نشان می‌دهد که ونول‌ها (سیاهرگ‌های کوچک) «نقطه بهینه» هستند. تصاویر فعال‌سازی مشتق شده از GLM نشان می‌دهند که بهترین سیگنال‌های تعدیل‌شده روی سیاهرگ‌های بزرگ و قابل مشاهده نیستند، بلکه در محیط اطراف آن‌ها، جایی که ونول‌ها قرار دارند، متمرکز شده‌اند.
چرخش به سمت ابزارهای پایتون متن‌باز به این معناست که مهندسان یادگیری ماشین اکنون می‌توانند انتشار اولتراسوند را شبیه‌سازی کرده و بازسازی عملکردی را بدون تکیه بر ابزارهای بسته Matlab انجام دهند. می‌توان تصور کرد که پردازش سیگنال سنتی کنار گذاشته شود و از روش‌های یادگیری عمیق سرتاسری (End-to-end) برای جاسازی توالی‌های تصویری جهت رمزگشایی استفاده شود. اگرچه داده‌های واقعی برای آموزش مدل‌های بنیادی کم است، اما شبیه‌سازی‌ها می‌توانند این شکاف را پر کنند، به شرطی که مدل‌ها بتوانند هزاران فریم در ثانیه را پردازش کنند.
اگر شما یک دانشمند علوم اعصاب محاسباتی هستید، اکنون می‌توانید به چهار دفترچه متن‌باز در گیت‌هاب دسترسی داشته باشید که موضوعات انتشار، بازسازی ساختاری، بازسازی عملکردی و تحلیل داده‌های واقعی را پوشش می‌دهند.
گام بعدی شما
- بررسی چهار دفترچه پایتون در گیت‌هاب برای یادگیری شبیه‌سازی انتشار موج و بازسازی تصاویر.
- مطالعه مستندات neuroai.science برای درک تفاوت‌های سیگنال پاور داپلر و خودهمبستگی.
- بررسی مقایسه‌ای دقت رمزگشایی fUSI در برابر fMRI برای متغیرهای دانه‌ریز.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های پردازش سیگنال در لبه مراجعه کنید.
گفتگو