Análisis de Neuroimágenes Funcionales ( AFNI ) es un entorno de código abierto para procesar y mostrar datos de resonancia magnética funcional , una técnica para mapear la actividad cerebral humana.
AFNI es una aglomeración de programas que se pueden utilizar de forma interactiva o ensamblados de forma flexible para el procesamiento por lotes mediante scripts de shell . El término AFNI se refiere tanto a la suite completa como a un programa interactivo en particular que se suele utilizar para la visualización. AFNI es desarrollado activamente por el Núcleo de Computación Científica y Estadística del NIMH y sus capacidades se expanden continuamente.
AFNI se ejecuta en muchos sistemas operativos tipo Unix que proporcionan bibliotecas X11 y Motif , incluidos IRIX , Solaris , Linux , FreeBSD y OS X. Hay binarios precompilados disponibles para algunas plataformas. AFNI está disponible para uso en investigación bajo la Licencia Pública General de GNU , el componente SVM-light incluido no es comercial ni distribuible. [1] AFNI ahora comprende más de 300.000 líneas de código fuente en C , y un programador experto en C puede agregar funciones interactivas y por lotes a AFNI con relativa facilidad.
AFNI fue desarrollado originalmente en el Medical College of Wisconsin a principios de 1994, en gran parte por Robert W. Cox. Cox llevó el desarrollo al NIH en 2001 y el desarrollo continúa en el Centro de Computación Científica y Estadística del NIMH. [2] En un artículo de 1995 que describe la lógica para el desarrollo del software, Cox escribió sobre los datos de fMRI: "El volumen de datos recopilados es muy grande y es esencial que haya herramientas fáciles de usar para la visualización y el análisis de mapas de activación 3D disponibles para los investigadores de neurociencia". [3] Desde entonces, AFNI se ha convertido en una de las herramientas de análisis más utilizadas en la investigación fMRI, junto con SPM y FSL . [4]
Aunque inicialmente AFNI requería de una gran cantidad de scripts de shell para ejecutar tareas, desde entonces los scripts por lotes prefabricados y las mejoras en la interfaz gráfica de usuario (GUI) han hecho posible generar análisis con menos scripts de usuario. [5]
Una de las propuestas iniciales de AFNI mejoró el enfoque para transformar las imágenes de cerebros individuales en un espacio estandarizado compartido. Dado que el cerebro de cada persona es único en tamaño y forma, la comparación entre varios cerebros requiere deformar (rotar, escalar, etc.) los cerebros individuales para darles una forma estándar. Desafortunadamente, los datos de resonancia magnética funcional en el momento del desarrollo de AFNI tenían una resolución demasiado baja para realizar transformaciones efectivas. En su lugar, los investigadores utilizan imágenes cerebrales anatómicas de mayor resolución, que a menudo se adquieren al comienzo de una sesión de imágenes.
La AFNI permite a los investigadores superponer una imagen funcional a la anatómica, lo que proporciona herramientas para alinear ambas en el mismo espacio. Los procesos utilizados para deformar una imagen anatómica individual en un espacio estándar se aplican también a la imagen funcional, lo que mejora el proceso de transformación. [6]
Otra característica disponible en AFNI es la herramienta SUMA, desarrollada por Ziad Saad. Esta herramienta permite a los usuarios proyectar los datos 2D en un mapa de superficie cortical 3D. De esta manera, los investigadores pueden ver los patrones de activación y tener en cuenta más fácilmente las características corticales físicas, como los giros corticales. [7]
"afni_proc.py" es un script prediseñado que ejecutará los datos fMRI de un solo sujeto a través de una serie de pasos de preprocesamiento, comenzando con los datos sin procesar. La configuración predeterminada realizará los siguientes pasos de preprocesamiento y finalizará con un análisis de regresión básico: [8]
.svg/1280px-Free_and_open-source_software_logo_(2009).svg.png){kind=logo}