🧠 پیش‌پردازش داده‌های fMRI؛ قبل از اینکه تحلیل را شروع کنیم!
تا اینجا با داده‌های T1، T2 و T2* و نقش آن‌ها در تصویربرداری مغزی آشنا شدیم.
اما وقتی یک دیتای fMRI خام در اختیار داریم، نمی‌تونیم بلافاصله سراغ  تحلیل شبکه‌های مغزی بریم.
🔍 چرا؟
چون داده خام fMRI فقط شامل سیگنال مغز نیست؛ بلکه می‌تواند تحت تأثیر حرکت سر، نویز، تفاوت‌های فردی، ناهم‌ترازی تصاویر و عوامل فیزیولوژیک هم قرار گرفته باشد.
اینجاست که مرحله‌ی Preprocessing یا پیش‌پردازش وارد میشه.
به‌طور معمول، یک مسیر پیش‌پردازش می‌تواند شامل مراحل زیر باشه:
📌 1. بررسی اولیه داده‌ها
اطمینان از اینکه تصاویر و اطلاعات مربوط به اسکن به‌درستی دریافت شده‌اند.
📌 2. حذف Imageهای ابتدایی (Dummy Scans)
برای رسیدن سیگنال MRI به حالت پایدار.
📌 3. Motion Correction
اصلاح اثر حرکت سر در طول تصویربرداری.
📌 4. Slice Timing Correction
در صورت نیاز، اصلاح اختلاف زمانی بین ثبت اسلایس‌های مختلف.
📌 5. Registration / Alignment
هم‌تراز کردن تصاویر عملکردی با تصویر ساختاری T1 و در مراحل بعدی با فضای استاندارد مغز.
📌 6. Normalization
تبدیل تصاویر افراد مختلف به یک فضای استاندارد، تا بتوان نتایج آن‌ها را با یکدیگر مقایسه کرد.
📌 7. Spatial Smoothing
اعمال فیلتر فضایی برای افزایش نسبت سیگنال به نویز و کمک به تحلیل‌های آماری.
📌 8. حذف نویز و Confoundها
کنترل اثر عواملی مانند حرکت، سیگنال‌های مربوط به CSF و White Matter و برخی منابع فیزیولوژیک.
در نهایت، هدف این نیست که «هرچه بیشتر پردازش کنیم بهتر است»؛ بلکه باید یک pipeline منطقی و قابل دفاع داشته باشیم که سیگنال موردنظر را حفظ کند و منابع ناخواسته را تا حد ممکن کنترل کند.
💡 و یک نکته بسیار مهم:
پیش‌پردازش فقط یک مرحله فنی نیست؛ انتخاب هر مرحله و پارامترهای آن می‌تواند روی نتیجه نهایی پژوهش تأثیر بگذارد.
پس قبل از اینکه از داده‌های fMRI سؤال بپرسیم، باید مطمئن بشیم که داده را به‌درستی آماده کردیم. 🧠📊

🌱 از سیگنال و تصویر مغز تا کشف علمی