ไมเคิล ฟาราเดย์เป็นคนแรกที่สังเกตว่าเลือดแห้งไม่มีคุณสมบัติเป็นแม่เหล็ก และ "ต้องทดสอบกับเลือดสด" ในบันทึกประจำวันลงวันที่ 8 พฤศจิกายน ค.ศ. 1845 เรื่องนี้ถูกอ้างถึงใน Pauling & Coryell (1945)

ในช่วงปลายศตวรรษที่ 19 แองเจโล มอสโซได้ประดิษฐ์ 'เครื่องวัดการไหลเวียนโลหิตของมนุษย์' ซึ่งสามารถวัดการกระจายตัวของเลือดในระหว่างกิจกรรมทางอารมณ์และสติปัญญา ได้โดยไม่รุกราน ^{[ 12 ]}อย่างไรก็ตาม แม้ว่าวิลเลียม เจมส์ จะกล่าวถึงสั้นๆ ในปี 1890 แต่รายละเอียดและการทำงานที่แม่นยำของเครื่องวัดนี้และการทดลองที่มอสโซดำเนินการกับเครื่องนี้ยังคงไม่เป็นที่รู้จักมากนักจนกระทั่งมีการค้นพบเครื่องมือต้นฉบับเมื่อไม่นานมานี้ รวมถึงรายงานของมอสโซโดยสเตฟาโน ซานโดรเนและเพื่อนร่วมงาน^{[ 13 ]} แองเจโล มอสโซ ได้ตรวจสอบ ตัวแปรที่สำคัญหลายตัวที่ยังคงมีความเกี่ยวข้องในการถ่ายภาพประสาทสมัยใหม่ เช่น ' อัตราส่วนสัญญาณต่อสัญญาณรบกวน ' การเลือกแบบแผนการ ทดลองที่เหมาะสม และความจำเป็นในการบันทึก พารามิเตอร์ทางสรีรวิทยาที่แตกต่างกันพร้อมกัน^{[ 13 ]}ต้นฉบับของ Mosso ไม่ได้ให้หลักฐานโดยตรงว่าเครื่องชั่งสามารถวัดการเปลี่ยนแปลงของการไหลเวียนของเลือดในสมองอันเนื่องมาจากการรับรู้ได้ จริง [ ^{13 ]}อย่างไรก็ตาม การจำลองแบบสมัยใหม่ที่ดำเนินการโดย David T Field ^{[ 14 ] ได้แสดงให้เห็น แล้ว} —โดยใช้เทคนิคการประมวลผลสัญญาณสมัยใหม่ซึ่ง Mosso ไม่มี—ว่าอุปกรณ์เครื่องชั่งประเภทนี้สามารถตรวจจับการเปลี่ยนแปลงของปริมาตรเลือดในสมองที่เกี่ยวข้องกับการรับรู้ได้

ในปี ค.ศ. 1890 ชาร์ลส์ รอย และชาร์ลส์ เชอร์ริงตันได้ทำการทดลองเชื่อมโยงการทำงานของสมองกับการไหลเวียนของเลือดเป็นครั้งแรกที่มหาวิทยาลัยเคมบริดจ์ [ ^{15 ] ขั้น}ตอนต่อไปในการแก้ปัญหาเรื่องการวัดการไหลเวียนของเลือดไปยังสมองคือ การค้นพบของ ไลนัส พอลลิง และชาร์ลส์ คอริเอล ในปี ค.ศ. 1936 ว่าเลือดที่มีออกซิเจนสูง (Hb) จะถูกผลักออกจากสนามแม่เหล็กอย่างอ่อนๆ ในขณะที่เลือดที่มีออกซิเจนต่ำ (dHb) จะถูกดึงดูดเข้าหาสนามแม่เหล็ก แม้ว่าจะน้อยกว่า ธาตุเฟอร์ โรแมกเนติกเช่น เหล็กเซจิ โอกาวะที่ห้องปฏิบัติการ AT&T Bellตระหนักว่าสิ่งนี้สามารถนำมาใช้เสริม MRI ซึ่งสามารถศึกษาได้เฉพาะโครงสร้างคงที่ของสมองเท่านั้น เนื่องจากคุณสมบัติทางแม่เหล็กที่แตกต่างกันของ dHb และ Hb ที่เกิดจากการไหลเวียนของเลือดไปยังบริเวณสมองที่ถูกกระตุ้นจะทำให้เกิดการเปลี่ยนแปลงที่วัดได้ในสัญญาณ MRI BOLD คือความแตกต่างของสัญญาณ MRI ของ dHb ซึ่งค้นพบในปี ค.ศ. 1990 โดยโอกาวะ ในการศึกษาครั้งสำคัญในปี 1990 ซึ่งอิงจากงานก่อนหน้านี้ของ Thulborn และคณะ Ogawa และเพื่อนร่วมงานได้สแกนหนูในสนามแม่เหล็กแรงสูง (7.0 T ) ด้วยเครื่อง MRI เพื่อควบคุมระดับออกซิเจนในเลือด พวกเขาเปลี่ยนสัดส่วนของออกซิเจนที่สัตว์หายใจเข้าไป เมื่อสัดส่วนนี้ลดลง แผนที่การไหลเวียนของเลือดในสมองก็ปรากฏให้เห็นในภาพ MRI พวกเขาตรวจสอบสิ่งนี้โดยการวางหลอดทดลองที่มีเลือดที่มีออกซิเจนหรือไม่มีออกซิเจน และสร้างภาพแยกกัน พวกเขายังแสดงให้เห็นว่าภาพ gradient-echo ซึ่งขึ้นอยู่กับรูปแบบของการสูญเสียสนามแม่เหล็กที่เรียกว่าการสลายตัวของ T ^*ให้ภาพที่ดีที่สุด เพื่อแสดงให้เห็นว่าการเปลี่ยนแปลงการไหลเวียนของเลือดเหล่านี้เกี่ยวข้องกับกิจกรรมการทำงานของสมอง พวกเขาเปลี่ยนองค์ประกอบของอากาศที่หนูหายใจเข้าไป และสแกนพวกมันในขณะที่ตรวจสอบกิจกรรมของสมองด้วย EEG ^{[ 16 ]}ความพยายามครั้งแรกในการตรวจจับกิจกรรมของสมองในระดับภูมิภาคโดยใช้ MRI ดำเนินการโดย Belliveau และเพื่อนร่วมงาน^{[ 17 ]}ที่มหาวิทยาลัยฮาร์วาร์ดโดยใช้สารเพิ่มความคมชัด Magnevist ซึ่งเป็นสารพาราแมกเนติกที่ยังคงอยู่ในกระแสเลือดหลังจากการฉีดเข้าทางหลอดเลือดดำ อย่างไรก็ตาม วิธีนี้ไม่เป็นที่นิยมใน fMRI ของมนุษย์ เนื่องจากความไม่สะดวกในการฉีดสารคอนทราสต์ และเนื่องจากสารดังกล่าวอยู่ในกระแสเลือดได้เพียงช่วงเวลาสั้นๆ^{[ 18 ]} 

การศึกษา 3 ชิ้นในปี 1992 เป็นการศึกษาครั้งแรกที่สำรวจการใช้ความแตกต่างของ BOLD ในมนุษย์เคนเนธ ควองและเพื่อนร่วมงาน ใช้ลำดับภาพแบบ gradient-echo และ inversion recovery echo-planar imaging (EPI) ที่ความแรงสนามแม่เหล็ก 1.5 T ตีพิมพ์ผลการศึกษาที่แสดงให้เห็นถึงการกระตุ้นที่ชัดเจนของเปลือกสมองส่วนการมองเห็นของมนุษย์[ 19 ^{]ทีมงาน}จากฮาร์วาร์ดแสดงให้เห็นว่าทั้งการไหลเวียนของเลือดและปริมาตรเลือดเพิ่มขึ้นในบริเวณเนื้อเยื่อประสาทที่มีการทำงาน โอกาวะและอูเกอร์บิลทำการศึกษาที่คล้ายกันโดยใช้สนามแม่เหล็กที่สูงกว่า (4.0 T) ในห้องปฏิบัติการของอูเกอร์บิลที่มหาวิทยาลัยมินนิโซตาสร้างภาพที่มีความละเอียดสูงขึ้นซึ่งแสดงให้เห็นกิจกรรมส่วนใหญ่ตามเนื้อเยื่อสีเทาของสมอง ดังที่คาดไว้ นอกจากนี้ พวกเขายังแสดงให้เห็นว่าสัญญาณ fMRI ขึ้นอยู่กับการลดลงของ T2* ซึ่งสอดคล้องกับกลไก BOLD การสลายตัวของ T2* เกิดจากนิวเคลียสแม่เหล็กในปริมาตรของพื้นที่สูญเสียความสอดคล้องของแม่เหล็ก (การทำให้เป็นแม่เหล็กตามขวาง) ทั้งจากการชนกันเองและจากการประสบกับความแตกต่างของความแรงของสนามแม่เหล็กในตำแหน่งต่างๆ (ความไม่สม่ำเสมอของสนามจากความลาดชันเชิงพื้นที่) Bandettini และเพื่อนร่วมงานใช้ EPI ที่ 1.5 T เพื่อแสดงการกระตุ้นในคอร์เทกซ์มอเตอร์หลัก ซึ่งเป็นบริเวณสมองในขั้นตอนสุดท้ายของวงจรที่ควบคุมการเคลื่อนไหวโดยสมัครใจ สนามแม่เหล็ก ลำดับพัลส์ และขั้นตอนและเทคนิคที่ใช้ในการศึกษาในช่วงแรกเหล่านี้ยังคงใช้ในการศึกษา fMRI ในปัจจุบัน แต่ในปัจจุบันนักวิจัยมักจะรวบรวมข้อมูลจากชิ้นส่วนมากขึ้น (โดยใช้ความลาดชันของแม่เหล็กที่แรงกว่า) และประมวลผลและวิเคราะห์ข้อมูลโดยใช้เทคนิคทางสถิติ^{[ 20 ]}

สมองไม่ได้เก็บสะสมกลูโคสซึ่งเป็นแหล่งพลังงานหลักไว้มากนัก เมื่อเซลล์ประสาททำงาน การที่จะทำให้เซลล์ประสาทกลับสู่สภาวะโพลาไรเซชันเดิมนั้น จำเป็นต้องมีการสูบฉีดไอออนผ่านเยื่อหุ้มเซลล์ประสาทอย่างต่อเนื่องในทั้งสองทิศทาง พลังงานสำหรับปั๊มไอออน เหล่านี้ ส่วนใหญ่ผลิตจากกลูโคส เลือดจะไหลเข้ามามากขึ้นเพื่อขนส่งกลูโคสมากขึ้น และยังนำออกซิเจนเข้ามาในรูปของโมเลกุลฮีโมโกลบินที่มีออกซิเจนในเม็ดเลือดแดงมากขึ้นด้วย ซึ่งเป็นผลมาจากทั้งอัตราการไหลเวียนของเลือดที่สูงขึ้นและการขยายตัวของหลอดเลือด การเปลี่ยนแปลงการไหลเวียนของเลือดจะเกิดขึ้นเฉพาะที่ภายในระยะ 2 หรือ 3  มิลลิเมตรจากบริเวณที่มีกิจกรรมของเซลล์ประสาท โดยปกติแล้วออกซิเจนที่นำเข้ามาจะมีมากกว่าออกซิเจนที่ใช้ในการเผาผลาญกลูโคส (ยังไม่แน่ชัดว่าการบริโภคกลูโคสส่วนใหญ่เป็นการออกซิเดชันหรือไม่) และสิ่งนี้ทำให้ฮีโมโกลบินที่ไม่มีออกซิเจน (dHb) ในหลอดเลือดของบริเวณสมองนั้นลดลงสุทธิ ซึ่งจะเปลี่ยนคุณสมบัติทางแม่เหล็กของเลือด ทำให้รบกวนการสร้างสนามแม่เหล็กและการสลายตัวที่เกิดจากกระบวนการ MRI น้อยลง^{[ 21 ]}

การไหลเวียนของเลือดในสมอง (CBF) สอดคล้องกับกลูโคสที่บริโภคแตกต่างกันในแต่ละบริเวณของสมอง ผลลัพธ์เบื้องต้นแสดงให้เห็นว่ามีการไหลเข้ามากกว่าการบริโภคกลูโคสในบริเวณต่างๆ เช่นอะมิกดาลา , ฐานสมอง , ทาลามัสและคอร์เทกซ์ซิงกูเลตซึ่งทั้งหมดนี้ถูกเรียกใช้สำหรับการตอบสนองอย่างรวดเร็ว ในบริเวณที่ใช้เวลาในการไตร่ตรองมากกว่า เช่น กลีบหน้าผาก ด้านข้าง และ กลีบ ข้างขมับ ด้านข้าง ดูเหมือนว่าการไหลเข้าจะน้อยกว่าการบริโภค ซึ่งส่งผลต่อความไวของ BOLD ^{[ 22 ]}

ฮีโมโกลบินตอบสนองต่อสนามแม่เหล็กแตกต่างกัน ขึ้นอยู่กับว่ามีโมเลกุลออกซิเจนจับอยู่หรือไม่ โมเลกุล dHb จะถูกดึงดูดเข้าหาสนามแม่เหล็กมากกว่า ดังนั้นจึงทำให้สนามแม่เหล็กโดยรอบที่เกิดจากเครื่องสแกน MRI บิดเบี้ยว ส่งผลให้นิวเคลียสสูญเสียสนามแม่เหล็กเร็วขึ้นผ่านการสลายตัวของ T ^*ดังนั้นลำดับพัลส์ MR ที่ไวต่อ T ^*จึงแสดงสัญญาณ MR มากขึ้นในบริเวณที่เลือดมีออกซิเจนสูงและน้อยลงในบริเวณที่เลือดมีออกซิเจนต่ำ ผลกระทบนี้จะเพิ่มขึ้นตามกำลังสองของความแรงของสนามแม่เหล็ก ดังนั้นสัญญาณ fMRI จึงต้องการทั้งสนามแม่เหล็กที่แรง (1.5  T หรือสูงกว่า) และลำดับพัลส์เช่น EPI ซึ่งไวต่อความแตกต่าง ของ T ^{* [ 23 ]}

การตอบสนองทางสรีรวิทยาของการไหลเวียนโลหิตเป็นตัวกำหนดความไวเชิงเวลาเป็นส่วนใหญ่ กล่าวคือ ความแม่นยำในการวัดว่าเซลล์ประสาททำงานเมื่อใดใน BOLD fMRI พารามิเตอร์ความละเอียดของเวลาพื้นฐาน (เวลาสุ่มตัวอย่าง) เรียกว่า TR; TR จะกำหนดความถี่ที่ส่วนใดส่วนหนึ่งของสมองถูกกระตุ้นและปล่อยให้สูญเสียสนามแม่เหล็ก TR อาจแตกต่างกันไปตั้งแต่สั้นมาก (500  มิลลิวินาที) ไปจนถึงยาวมาก (3  วินาที) สำหรับ fMRI โดยเฉพาะ การตอบสนองทางโลหิตพลศาสตร์จะคงอยู่มากกว่า 10 วินาที โดยเพิ่มขึ้นแบบทวีคูณ (นั่นคือ เป็นสัดส่วนของค่าปัจจุบัน) สูงสุดที่ 4 ถึง 6 วินาที แล้วลดลงแบบทวีคูณ การเปลี่ยนแปลงในระบบการไหลเวียนโลหิต ระบบหลอดเลือด จะรวมการตอบสนองต่อกิจกรรมของเซลล์ประสาทเมื่อเวลาผ่านไป เนื่องจากการตอบสนองนี้เป็นฟังก์ชันต่อเนื่องที่ราบเรียบ การสุ่มตัวอย่างด้วย TR ที่เร็วขึ้นเรื่อยๆ จึงไม่ช่วยอะไร มันแค่ให้จุดบนเส้นโค้งการตอบสนองมากขึ้น ซึ่งสามารถหาได้จากการประมาณค่าเชิงเส้นแบบง่ายๆ อยู่ดี รูปแบบการทดลอง เช่น การสลับเวลาการนำเสนอสิ่งเร้าในการทดลองต่างๆ สามารถปรับปรุงความละเอียดเชิงเวลาได้ แต่จะลดจำนวนจุดข้อมูลที่มีประสิทธิภาพที่ได้รับ^{[ 24 ]}

ความละเอียดเชิงพื้นที่ของการศึกษา fMRI หมายถึงความสามารถในการแยกแยะตำแหน่งที่อยู่ใกล้เคียงกันได้ดีเพียงใด โดยวัดจากขนาดของว็อกเซล เช่นเดียวกับใน MRI ว็อกเซลเป็นรูปทรงสี่เหลี่ยมผืนผ้าสามมิติ ซึ่งขนาดจะถูกกำหนดโดยความหนาของชิ้นส่วน พื้นที่ของชิ้นส่วน และตารางที่กำหนดบนชิ้นส่วนโดยกระบวนการสแกน การศึกษาแบบครอบคลุมทั้งสมองจะใช้ว็อกเซลขนาดใหญ่กว่า ในขณะที่การศึกษาที่เน้นเฉพาะบริเวณที่สนใจมักจะใช้ว็อกเซลขนาดเล็กกว่า ขนาดมีตั้งแต่ 4 ถึง 5  มิลลิเมตร หรือด้วย fMRI ที่มีความละเอียด แบบชั้น (lfMRI) อาจมีขนาดเล็กกว่ามิลลิเมตร^{[ 28 ]}ว็อกเซลขนาดเล็กจะมีเซลล์ประสาทน้อยกว่าโดยเฉลี่ย มีการไหลเวียนของเลือดน้อยกว่า และด้วยเหตุนี้จึงมีสัญญาณน้อยกว่าว็อกเซลขนาดใหญ่ ว็อกเซลขนาดเล็กหมายถึงเวลาในการสแกนที่นานขึ้น เนื่องจากเวลาในการสแกนจะเพิ่มขึ้นโดยตรงตามจำนวนว็อกเซลต่อชิ้นส่วนและจำนวนชิ้นส่วน ซึ่งอาจนำไปสู่ความไม่สบายตัวของผู้ถูกทดลองภายในเครื่องสแกนและการสูญเสียสัญญาณแม่เหล็ก โดยทั่วไปแล้ว ว็อกเซลจะมีเซลล์ประสาทอยู่ไม่กี่ล้านเซลล์และมีไซแนปส์อยู่หลายหมื่นล้านไซแนปส์โดยจำนวนที่แท้จริงจะขึ้นอยู่กับขนาดของว็อกเซลและบริเวณของสมองที่กำลังถ่ายภาพ^{[ 29 ]}

ระบบหลอดเลือดแดงที่ส่งเลือดสดจะแตกแขนงออกเป็นหลอดเลือดขนาดเล็กขึ้นเรื่อยๆ เมื่อเข้าสู่พื้นผิวสมองและบริเวณภายในสมอง จนกระทั่งรวมกันเป็นเครือ ข่าย เส้นเลือดฝอย ที่เชื่อมต่อกัน ภายในสมอง ในทำนองเดียวกัน ระบบระบายเลือดจะรวมกันเป็นหลอดเลือดดำ ขนาดใหญ่ขึ้น เรื่อยๆ เมื่อนำเลือดที่มีออกซิเจนต่ำออกไป การมีส่วนร่วมของ dHb ในสัญญาณ fMRI มาจากทั้งเส้นเลือดฝอยใกล้บริเวณที่มีกิจกรรมและหลอดเลือดดำขนาดใหญ่ที่ระบายเลือดซึ่งอาจอยู่ไกลออกไป เพื่อให้ได้ความละเอียดเชิงพื้นที่ที่ดี สัญญาณจากหลอดเลือดดำขนาดใหญ่จำเป็นต้องถูกลดทอน เนื่องจากไม่สอดคล้องกับบริเวณที่มีกิจกรรมทางประสาท ซึ่งสามารถทำได้โดยการใช้สนามแม่เหล็กสถิตที่แรง หรือโดยการใช้ลำดับพัลส์สปิน-เอโค^{[ 30 ]}ด้วยสิ่งเหล่านี้ fMRI สามารถตรวจสอบช่วงเชิงพื้นที่ตั้งแต่ระดับมิลลิเมตรถึงเซนติเมตร และด้วยเหตุนี้จึงสามารถระบุพื้นที่ Brodmann (เซนติเมตร) นิวเคลียสใต้เปลือกสมอง เช่นคอเดตพูตาเมนและทาลามัส และส่วนย่อยของฮิปโปแคมปัสเช่นเดนเตตไจรัส / CA3 , CA1และซับบิคูลัมที่ รวมกันได้ ^{[ 31 ]}

ความละเอียดเชิงเวลาคือช่วงเวลาที่เล็กที่สุดของกิจกรรมทางประสาทที่สามารถแยกแยะได้อย่างน่าเชื่อถือโดย fMRI องค์ประกอบหนึ่งที่กำหนดสิ่งนี้คือเวลาในการสุ่มตัวอย่าง หรือ TR  อย่างไรก็ตาม หาก TR ต่ำกว่า 1 หรือ 2 วินาที การสแกนจะสร้างเพียงเส้นโค้งการตอบสนองทางโลหิตวิทยา (HR) ที่คมชัดขึ้น โดยไม่เพิ่มข้อมูลเพิ่มเติมมากนัก (เช่น นอกเหนือจากสิ่งที่ได้จากการประมาณค่าช่องว่างของเส้นโค้งทางคณิตศาสตร์ที่ TR ต่ำกว่า) ความละเอียดเชิงเวลาสามารถปรับปรุงได้โดยการจัดเรียงการนำเสนอสิ่งเร้าให้เหลื่อมกันในแต่ละรอบการทดลอง หากสุ่มตัวอย่างข้อมูลหนึ่งในสามในเวลาปกติ หนึ่งในสามที่ 1  วินาที 4  วินาที 7  วินาที และอื่นๆ และอีกหนึ่งในสามที่เหลือที่ 2  วินาที 5  วินาที และ 8  วินาที ข้อมูลที่รวมกันจะให้ความละเอียด 1  วินาที แม้ว่าจะมีเหตุการณ์ทั้งหมดเพียงหนึ่งในสามก็ตาม

ความละเอียดของเวลาที่ต้องการขึ้นอยู่กับเวลาในการประมวลผลของสมองสำหรับเหตุการณ์ต่างๆ ตัวอย่างของช่วงเวลาที่กว้างขวางนี้คือระบบการประมวลผลทางสายตา สิ่งที่ดวงตามองเห็นจะถูกบันทึกไว้บนตัวรับแสงของเรตินาภายในเวลาประมาณหนึ่งมิลลิวินาที สัญญาณเหล่านี้จะส่งไปยังคอร์เทกซ์การมองเห็นหลักผ่านทางทาลามัสในเวลาหลายสิบมิลลิวินาที กิจกรรมของเซลล์ประสาทที่เกี่ยวข้องกับการมองเห็นจะคงอยู่มากกว่า 100 มิลลิ วินาที ปฏิกิริยาที่รวดเร็ว เช่น การหักหลบเพื่อหลีกเลี่ยงอุบัติเหตุทางรถยนต์ ใช้เวลาประมาณ 200 มิลลิ วินาที ภายในเวลาประมาณครึ่งวินาที การรับรู้และการไตร่ตรองถึงเหตุการณ์จะเกิดขึ้น การจดจำเหตุการณ์ที่คล้ายกันอาจใช้เวลาไม่กี่วินาที และการเปลี่ยนแปลงทางอารมณ์หรือทางสรีรวิทยา เช่น ความกลัว อาจคงอยู่เป็นนาทีหรือชั่วโมง การเปลี่ยนแปลงที่เรียนรู้มา เช่น การจดจำใบหน้าหรือฉาก อาจคงอยู่เป็นวัน เดือน หรือปี การทดลอง fMRI ส่วนใหญ่ศึกษาการประมวลผลของสมองที่ใช้เวลาเพียงไม่กี่วินาที โดยการศึกษาจะดำเนินการเป็นเวลาหลายสิบนาที ผู้ถูกทดลองอาจขยับศีรษะในระหว่างนั้น และจำเป็นต้องมีการแก้ไขการเคลื่อนไหวของศีรษะนี้ เช่นเดียวกับการเปลี่ยนแปลงของสัญญาณพื้นฐานเมื่อเวลาผ่านไป ความเบื่อหน่ายและการเรียนรู้อาจปรับเปลี่ยนทั้งพฤติกรรมของบุคคลและกระบวนการทางปัญญา^{[ 32 ]}

เมื่อบุคคลทำสองงานพร้อมกันหรือในลักษณะที่ซ้อนทับกัน การตอบสนอง BOLD คาดว่าจะเพิ่มขึ้นแบบเชิงเส้น นี่เป็นสมมติฐานพื้นฐานของการศึกษา fMRI จำนวนมาก ซึ่งอิงตามหลักการที่ว่าระบบที่สามารถหาอนุพันธ์ได้อย่างต่อเนื่องนั้นคาดว่าจะแสดงพฤติกรรมเชิงเส้นเมื่อการรบกวนมีขนาดเล็ก กล่าวคือ เป็นเชิงเส้นในอันดับแรก การบวกเชิงเส้นหมายความว่าการดำเนินการเพียงอย่างเดียวที่อนุญาตกับการตอบสนองแต่ละรายการก่อนที่จะรวมกัน (บวกเข้าด้วยกัน) คือการปรับขนาดแยกกันของแต่ละรายการ เนื่องจากการปรับขนาดเป็นเพียงการคูณด้วยจำนวนคงที่ ดังนั้นจึงหมายความว่าเหตุการณ์ที่กระตุ้นการตอบสนองทางประสาทเป็นสองเท่าของอีกเหตุการณ์หนึ่ง สามารถจำลองได้เป็นเหตุการณ์แรกที่นำเสนอพร้อมกันสองครั้ง อัตราการเต้นของหัวใจสำหรับเหตุการณ์ที่เพิ่มเป็นสองเท่าจึงเป็นสองเท่าของเหตุการณ์เดียว

ในกรณีที่พฤติกรรมเป็นเชิงเส้น ช่วงเวลาของการตอบสนอง BOLD ต่อสิ่งเร้าใดๆ สามารถจำลองได้ด้วยการคอนโวลูชันของสิ่งเร้านั้นกับการตอบสนอง BOLD แบบอิมพัลส์ การสร้างแบบจำลองช่วงเวลาที่แม่นยำมีความสำคัญในการประมาณขนาดของการตอบสนอง BOLD ^{[ 33 ] [ 34 ]}

สมมติฐานที่แข็งแกร่งนี้ได้รับการศึกษาครั้งแรกในปี 1996 โดยบอยน์ตันและเพื่อนร่วมงาน ซึ่งตรวจสอบผลกระทบต่อเปลือกสมองส่วนรับภาพหลักของรูปแบบที่กะพริบ 8  ครั้งต่อวินาทีและแสดงเป็นเวลา 3 ถึง 24  วินาที ผลการศึกษาแสดงให้เห็นว่าเมื่อความคมชัดของภาพเพิ่มขึ้น รูปทรงของการตอบสนองอัตราการเต้นของหัวใจ (HR) ยังคงเหมือนเดิม แต่แอมพลิจูดเพิ่มขึ้นตามสัดส่วน โดยมีข้อยกเว้นบางประการ การตอบสนองต่อสิ่งเร้าที่ยาวกว่าสามารถอนุมานได้โดยการรวมการตอบสนองต่อสิ่งเร้าที่สั้นกว่าหลายๆ อย่างเข้าด้วยกัน ซึ่งรวมกันแล้วมีระยะเวลาเท่ากัน ในปี 1997 เดลและบัคเนอร์ได้ทดสอบว่าเหตุการณ์แต่ละเหตุการณ์ แทนที่จะเป็นกลุ่มของระยะเวลาหนึ่งๆ ก็รวมกันในลักษณะเดียวกันหรือไม่ และพบว่าเป็นเช่นนั้น แต่พวกเขายังพบความเบี่ยงเบนจากแบบจำลองเชิงเส้นในช่วงเวลาที่น้อยกว่า 2  วินาทีด้วย

แหล่งที่มาของความไม่เป็นเชิงเส้นในการตอบสนองของ fMRI มาจากช่วงเวลาพัก (refractory period) ซึ่งกิจกรรมของสมองจากสิ่งเร้าที่นำเสนอไปก่อนหน้านี้จะยับยั้งกิจกรรมต่อสิ่งเร้าที่คล้ายคลึงกันในครั้งต่อไป เมื่อสิ่งเร้ามีระยะเวลาสั้นลง ช่วงเวลาพักก็จะยิ่งเห็นได้ชัดเจนขึ้น ช่วงเวลาพักนี้ไม่เปลี่ยนแปลงตามอายุ และแอมพลิจูดของอัตราการเต้นของหัวใจ (HR) ก็ไม่เปลี่ยนแปลงเช่นกันช่วงเวลานี้แตกต่างกันไปในแต่ละบริเวณของสมอง ทั้งใน บริเวณ คอร์เทกซ์มอเตอร์หลักและคอร์เทกซ์การมองเห็น แอมพลิจูดของ HR จะแปรผันเชิงเส้นกับระยะเวลาของสิ่งเร้าหรือการตอบสนอง ในบริเวณรองที่สอดคล้องกัน ได้แก่ คอร์เทกซ์มอเตอร์เสริมซึ่งเกี่ยวข้องกับการวางแผนพฤติกรรมการเคลื่อนไหว และบริเวณ V5 ที่ไวต่อการเคลื่อนไหว จะพบช่วงเวลาพักที่ชัดเจน และแอมพลิจูดของ HR จะคงที่ในช่วงระยะเวลาของสิ่งเร้าหรือการตอบสนองที่หลากหลาย ผลของช่วงเวลาพักสามารถนำมาใช้ในลักษณะเดียวกับการปรับตัวเพื่อดูว่าบุคคลนั้นแยกแยะคุณลักษณะใดของสิ่งเร้าว่าเป็นสิ่งใหม่^{[ 35 ]}ข้อจำกัดเพิ่มเติมของความเป็นเส้นตรงมีอยู่เนื่องจากการอิ่มตัว: เมื่อระดับการกระตุ้นมีขนาดใหญ่ การตอบสนอง BOLD สูงสุดจะถึง

สัญญาณรบกวนคือการเปลี่ยนแปลงที่ไม่พึงประสงค์ของสัญญาณ MR จากองค์ประกอบที่ไม่เกี่ยวข้องกับการศึกษา แหล่งกำเนิดสัญญาณรบกวนหลัก 5 แหล่งใน fMRI ได้แก่ สัญญาณรบกวนจากความร้อน สัญญาณรบกวนจากระบบ สัญญาณรบกวนทางสรีรวิทยา กิจกรรมประสาทแบบสุ่ม และความแตกต่างทั้งในกลยุทธ์ทางจิตและพฤติกรรมระหว่างบุคคลและระหว่างงานต่างๆ ในบุคคลเดียวกัน สัญญาณรบกวนจากความร้อนจะเพิ่มขึ้นตามความแรงของสนามแม่เหล็กคงที่ แต่สัญญาณรบกวนทางสรีรวิทยาจะเพิ่มขึ้นเป็นกำลังสองของความแรงของสนามแม่เหล็ก เนื่องจากสัญญาณก็เพิ่มขึ้นเป็นกำลังสองของความแรงของสนามแม่เหล็กเช่นกัน และเนื่องจากสัญญาณรบกวนทางสรีรวิทยาเป็นสัดส่วนที่มากของสัญญาณรบกวนทั้งหมด ความแรงของสนามแม่เหล็กที่สูงกว่า 3  T จึงไม่ได้ให้ภาพที่ดีขึ้นตามสัดส่วนเสมอไป

ความร้อนทำให้อิเล็กตรอนเคลื่อนที่ไปมาและบิดเบือนกระแสไฟฟ้าในเครื่องตรวจจับ fMRI ทำให้เกิดสัญญาณรบกวนจากความร้อน สัญญาณรบกวนจากความร้อนจะเพิ่มขึ้นตามอุณหภูมิ นอกจากนี้ยังขึ้นอยู่กับช่วงความถี่ที่ตรวจจับได้โดยขดลวดรับสัญญาณและความต้านทานไฟฟ้าด้วย โดยจะส่งผลกระทบต่อทุกโวลเซลในลักษณะเดียวกัน โดยไม่ขึ้นอยู่กับกายวิภาค^{[ 56 ]}

สัญญาณรบกวนของระบบมาจากฮาร์ดแวร์การถ่ายภาพ รูปแบบหนึ่งคือการเลื่อนของสแกนเนอร์ ซึ่งเกิดจากการเลื่อนของสนามแม่เหล็กตัวนำยิ่งยวดเมื่อเวลาผ่านไป อีกรูปแบบหนึ่งคือการเปลี่ยนแปลงในการกระจายกระแสหรือแรงดันไฟฟ้าของสมองเอง ซึ่งเหนี่ยวนำให้เกิดการเปลี่ยนแปลงในขดลวดรับสัญญาณและลดความไวลง กระบวนการที่เรียกว่าการจับคู่ความต้านทานจะใช้เพื่อหลีกเลี่ยงผลกระทบจากการเหนี่ยวนำนี้ นอกจากนี้ยังอาจมีสัญญาณรบกวนจากสนามแม่เหล็กที่ไม่สม่ำเสมอ ซึ่งมักจะปรับแก้โดยใช้ขดลวดชิมมิง ซึ่งเป็นแม่เหล็กขนาดเล็กที่ใส่เข้าไป เช่น ในปากของผู้ป่วย เพื่อปรับสนามแม่เหล็ก ความไม่สม่ำเสมอมักจะอยู่ใกล้โพรงสมอง เช่น หู และการอุดโพรงเป็นเวลานานอาจทำให้รู้สึกไม่สบาย กระบวนการสแกนจะได้รับสัญญาณ MR ใน k-space ซึ่งความถี่เชิงพื้นที่ที่ทับซ้อนกัน (นั่นคือขอบที่ซ้ำกันในปริมาตรของตัวอย่าง) แต่ละความถี่จะถูกแทนด้วยเส้น การแปลงสิ่งนี้เป็นว็อกเซลจะทำให้เกิดการสูญเสียและการบิดเบือนบางอย่าง^{[ 57 ]}

สัญญาณรบกวนทางสรีรวิทยาเกิดจากการเคลื่อนไหวของศีรษะและสมองในเครื่องสแกน เช่น การหายใจ การเต้นของหัวใจ หรือการที่ผู้ถูกทดสอบกระสับกระส่าย เกร็งตัว หรือแสดงปฏิกิริยาทางกายภาพ เช่น การกดปุ่ม การเคลื่อนไหวของศีรษะทำให้การแมปว็อกเซลไปยังเซลล์ประสาทเปลี่ยนแปลงไปในขณะที่การสแกนกำลังดำเนินอยู่ สัญญาณรบกวนเนื่องจากการเคลื่อนไหวของศีรษะเป็นปัญหาอย่างยิ่งเมื่อทำงานกับเด็ก แม้ว่าจะมีมาตรการที่สามารถลดการเคลื่อนไหวของศีรษะเมื่อสแกนเด็กได้ เช่น การเปลี่ยนแปลงการออกแบบการทดลองและการฝึกอบรมก่อนเริ่มการสแกน^{[ 58 ]}เนื่องจาก fMRI ได้รับการบันทึกเป็นชิ้นๆ หลังจากการเคลื่อนไหว ว็อกเซลยังคงอ้างอิงถึงตำแหน่งสัมบูรณ์เดียวกันในอวกาศ ในขณะที่เซลล์ประสาทที่อยู่ข้างใต้จะเปลี่ยนแปลงไป แหล่งที่มาของสัญญาณรบกวนทางสรีรวิทยาอีกแหล่งหนึ่งคือการเปลี่ยนแปลงอัตราการไหลเวียนของเลือด ปริมาณเลือด และการใช้ออกซิเจนเมื่อเวลาผ่านไป ส่วนประกอบสุดท้ายนี้มีส่วนทำให้เกิดสัญญาณรบกวนทางสรีรวิทยาถึงสองในสาม ซึ่งเป็นส่วนสำคัญที่ทำให้เกิดสัญญาณรบกวนทั้งหมด^{[ 59 ]}

แม้จะออกแบบการทดลองอย่างดีที่สุดแล้ว ก็ไม่สามารถควบคุมและจำกัดสิ่งเร้าพื้นหลังอื่นๆ ที่ส่งผลต่อผู้ถูกทดลองได้ทั้งหมด เช่น เสียงรบกวนจากเครื่องสแกน ความคิดฟุ้งซ่าน ความรู้สึกทางกายภาพ และอื่นๆ สิ่งเหล่านี้ก่อให้เกิดกิจกรรมทางประสาทโดยไม่ขึ้นกับการจัดการทดลอง และไม่สามารถอธิบายได้ด้วยแบบจำลองทางคณิตศาสตร์ จึงต้องควบคุมด้วยการออกแบบการศึกษา

กลยุทธ์ของบุคคลในการตอบสนองหรือโต้ตอบต่อสิ่งเร้าและการแก้ปัญหา มักจะเปลี่ยนแปลงไปตามเวลาและภารกิจต่างๆ ซึ่งก่อให้เกิดความแปรปรวนในกิจกรรมทางประสาทจากการทดลองหนึ่งไปยังอีกการทดลองหนึ่งภายในบุคคลเดียวกัน นอกจากนี้ กิจกรรมทางประสาทก็แตกต่างกันระหว่างบุคคลด้วยเหตุผลที่คล้ายคลึงกัน นักวิจัยมักทำการศึกษานำร่องเพื่อดูว่าผู้เข้าร่วมมักจะปฏิบัติงานอย่างไรสำหรับภารกิจที่กำลังพิจารณา พวกเขายังมักฝึกผู้เข้าร่วมให้ตอบสนองหรือโต้ตอบในเซสชันการฝึกทดลองก่อนการสแกนด้วย^{[ 60 ]}

แพลตฟอร์มสแกนเนอร์จะสร้าง ปริมาตร 3 มิติของศีรษะของผู้ถูกสแกนทุกๆ TR ปริมาตรนี้ประกอบด้วยค่าความเข้มของว็อกเซลหลายค่า โดยแต่ละค่าจะแทนด้วยค่าความเข้มของว็อกเซลหนึ่งค่า ว็อกเซลเหล่านี้จะเรียงต่อกัน ทำให้โครงสร้างสามมิติปรากฏเป็นเส้นเดียว ปริมาตรดังกล่าวหลายๆ ปริมาตรจากเซสชันเดียวกันจะถูกนำมารวมกันเพื่อสร้าง ปริมาตร 4 มิติ ซึ่งสอดคล้องกับช่วงเวลาการสแกนที่ผู้ถูกสแกนอยู่ในสแกนเนอร์โดยไม่ปรับตำแหน่งศีรษะ ปริมาตร 4 มิตินี้เป็นจุดเริ่มต้นสำหรับการวิเคราะห์ ส่วนแรกของการวิเคราะห์นั้นคือการประมวลผลเบื้องต้น

ขั้นตอนแรกในการประมวลผลเบื้องต้นคือการแก้ไขเวลาของภาพตัดขวาง (slice timing correction) เครื่องสแกน MRI จะบันทึกภาพตัดขวางต่างๆ ภายในปริมาตรสมองเดียวกันในเวลาที่ต่างกัน ดังนั้นภาพตัดขวางเหล่านั้นจึงแสดงถึงกิจกรรมของสมองในช่วงเวลาที่ต่างกัน เนื่องจากสิ่งนี้ทำให้การวิเคราะห์ในภายหลังซับซ้อนขึ้น จึงต้องใช้การแก้ไขเวลาเพื่อให้ภาพตัดขวางทั้งหมดมีเวลาอ้างอิงเดียวกัน ทำได้โดยการสมมติว่าเส้นกราฟแสดงค่าความเข้มของว็อกเซล (voxel) นั้นเรียบเมื่อแสดงเป็นเส้นประ ดังนั้นค่าความเข้มของว็อกเซลในช่วงเวลาอื่นๆ ที่ไม่ได้อยู่ในเฟรมที่บันทึกไว้จึงสามารถคำนวณได้โดยการเติมจุดลงไปเพื่อสร้างเส้นโค้งต่อเนื่อง

การแก้ไขการเคลื่อนไหวของศีรษะเป็นอีกขั้นตอนการประมวลผลล่วงหน้าที่ใช้กันทั่วไป เมื่อศีรษะเคลื่อนไหว เซลล์ประสาทใต้โวลเซลจะเคลื่อนไหวไปด้วย ดังนั้นเส้นกราฟแสดงการเปลี่ยนแปลงตามเวลาของโวลเซลนั้นจึงแสดงถึงการเปลี่ยนแปลงตามเวลาของโวลเซลอื่นในอดีตเป็นส่วนใหญ่ ดังนั้นเส้นกราฟแสดงการเปลี่ยนแปลงตามเวลาจึงเหมือนกับการตัดและวางจากโวลเซลหนึ่งไปยังอีกโวลเซลหนึ่ง การแก้ไขการเคลื่อนไหวจะพยายามหาวิธีต่างๆ ในการย้อนกลับกระบวนการนี้เพื่อดูว่าวิธีใดที่ทำให้เส้นกราฟแสดงการเปลี่ยนแปลงตามเวลาของโวลเซลทั้งหมดราบเรียบที่สุด การย้อนกลับทำได้โดยการใช้การแปลงแบบ rigid-body กับปริมาตร โดยการเลื่อนและหมุนข้อมูลปริมาตรทั้งหมดเพื่อชดเชยการเคลื่อนไหว ปริมาตรที่แปลงแล้วจะถูกเปรียบเทียบทางสถิติกับปริมาตร ณ จุดเวลาแรกเพื่อดูว่าตรงกันได้ดีเพียงใด โดยใช้ฟังก์ชันต้นทุน เช่นค่าสหสัมพันธ์หรือข้อมูลร่วมกันการแปลงที่ให้ฟังก์ชันต้นทุนต่ำที่สุดจะถูกเลือกเป็นแบบจำลองสำหรับการเคลื่อนไหวของศีรษะ เนื่องจากศีรษะสามารถเคลื่อนไหวได้หลายวิธี จึงไม่สามารถค้นหาตัวเลือกที่เป็นไปได้ทั้งหมดได้ และในขณะนี้ก็ยังไม่มีอัลกอริทึมใดที่ให้คำตอบที่เหมาะสมที่สุดในระดับโลกโดยไม่ขึ้นอยู่กับการแปลงครั้งแรกที่เราลองใช้ในลำดับ

การแก้ไขความบิดเบี้ยวจะคำนึงถึงความไม่สม่ำเสมอของสนามแม่เหล็กในเครื่องสแกน วิธีหนึ่งดังที่ได้กล่าวไว้ก่อนหน้านี้คือการใช้ขดลวดชิมมิง อีกวิธีหนึ่งคือการสร้างแผนที่สนามแม่เหล็กหลักขึ้นใหม่โดยการถ่ายภาพสองภาพที่มีเวลาสะท้อนต่างกัน หากสนามแม่เหล็กสม่ำเสมอ ความแตกต่างระหว่างภาพทั้งสองก็จะสม่ำเสมอเช่นกัน โปรดทราบว่านี่ไม่ใช่เทคนิคการประมวลผลล่วงหน้าที่แท้จริง เนื่องจากเป็นอิสระจากการศึกษาเอง การประมาณค่าสนามไบแอสเป็นเทคนิคการประมวลผลล่วงหน้าที่แท้จริงโดยใช้แบบจำลองทางคณิตศาสตร์ของสัญญาณรบกวนจากความบิดเบี้ยว เช่นฟิลด์สุ่มมาร์คอฟและ อัลกอริธึม การเพิ่มประสิทธิภาพความคาดหวังเพื่อแก้ไขความบิดเบี้ยว

โดยทั่วไป การศึกษา fMRI จะได้ภาพการทำงานหลายภาพด้วย fMRI และภาพโครงสร้างด้วย MRI ภาพโครงสร้างมักมีความละเอียดสูงกว่าและขึ้นอยู่กับสัญญาณที่แตกต่างกัน คือ การสลายตัวของสนามแม่เหล็ก T1 หลังจากการกระตุ้น เพื่อกำหนดขอบเขตของบริเวณที่สนใจในภาพการทำงาน จำเป็นต้องจัดเรียงภาพการทำงานให้ตรงกับภาพโครงสร้าง แม้ว่าจะทำการวิเคราะห์ทั้งสมองแล้วก็ตาม เพื่อตีความผลลัพธ์สุดท้าย นั่นคือการหาว่าว็อกเซลที่ทำงานอยู่ตกอยู่ในบริเวณใด จำเป็นต้องจัดเรียงภาพการทำงานให้ตรงกับภาพโครงสร้าง ซึ่งทำได้โดยใช้อัลกอริทึมการลงทะเบียนร่วมที่ทำงานคล้ายกับอัลกอริทึมการแก้ไขการเคลื่อนไหว ยกเว้นว่าความละเอียดแตกต่างกัน และค่าความเข้มไม่สามารถเปรียบเทียบกันได้โดยตรงเนื่องจากสัญญาณที่สร้างขึ้นแตกต่างกัน

โดยทั่วไป การศึกษา MRI จะสแกนผู้ป่วยหลายราย เพื่อบูรณาการผลลัพธ์จากผู้ป่วยหลายราย วิธีหนึ่งคือการใช้แผนที่สมองมาตรฐาน และปรับสมองทั้งหมดให้สอดคล้องกับแผนที่นั้น จากนั้นจึงวิเคราะห์เป็นกลุ่มเดียว แผนที่ที่ใช้กันทั่วไปคือแผนที่ Talairach ซึ่งเป็นสมองของผู้หญิงสูงอายุเพียงคนเดียวที่สร้างโดยJean Talairachและ แผนที่ของ สถาบันประสาทวิทยาศาสตร์มอนทรี ออล (MNI) อีกวิธีหนึ่งคือแผนที่ความน่าจะเป็นที่สร้างขึ้นโดยการรวมการสแกนจากบุคคลมากกว่าร้อยคน การปรับให้เป็นมาตรฐานตามแม่แบบมาตรฐานนี้ทำได้โดยการตรวจสอบทางคณิตศาสตร์ว่าการยืด การบีบ และการบิดเบี้ยวแบบใดที่ช่วยลดความแตกต่างระหว่างเป้าหมายและข้อมูลอ้างอิง แม้ว่าในเชิงแนวคิดจะคล้ายกับการแก้ไขการเคลื่อนไหว แต่การเปลี่ยนแปลงที่จำเป็นนั้นซับซ้อนกว่าการเลื่อนและการหมุนเพียงอย่างเดียว ดังนั้นการปรับให้เหมาะสมจึงมีแนวโน้มที่จะขึ้นอยู่กับการแปลงครั้งแรกในห่วงโซ่ที่ตรวจสอบมากกว่า

การกรองตามเวลาคือการกำจัดความถี่ที่ไม่สนใจออกจากสัญญาณ การเปลี่ยนแปลงความเข้มของว็อกเซลเมื่อเวลาผ่านไปสามารถแสดงได้เป็นผลรวมของคลื่นซ้ำๆ หลายๆ คลื่นที่มีคาบและความสูงต่างกัน กราฟที่มีคาบอยู่บนแกน x และความสูงอยู่บนแกน y เรียกว่าสเปกตรัมกำลังและกราฟนี้สร้างขึ้นโดยใช้ เทคนิค การแปลงฟูริเยร์การกรองตามเวลาเทียบเท่ากับการกำจัดคลื่นเป็นคาบที่ไม่สนใจออกจากสเปกตรัมกำลัง จากนั้นรวมคลื่นกลับเข้าไปใหม่โดยใช้การแปลงฟูริเยร์ผกผันเพื่อสร้างอนุกรมเวลาใหม่สำหรับว็อกเซล ตัวกรองความถี่สูงจะกำจัดความถี่ต่ำ และความถี่ต่ำสุดที่สามารถระบุได้ด้วยเทคนิคนี้คือส่วนกลับของสองเท่าของ TR ตัวกรองความถี่ต่ำจะกำจัดความถี่สูง ในขณะที่ตัวกรองความถี่ผ่านย่านจะกำจัดความถี่ทั้งหมด ยกเว้นช่วงความถี่ที่สนใจเป็นพิเศษ

การปรับให้เรียบ หรือการกรองเชิงพื้นที่ คือแนวคิดของการหาค่าเฉลี่ยของความเข้มของว็อกเซลที่อยู่ใกล้เคียงกัน เพื่อสร้างแผนที่เชิงพื้นที่ที่เรียบของการเปลี่ยนแปลงความเข้มทั่วทั้งสมองหรือบริเวณที่สนใจ การหาค่าเฉลี่ยมักทำโดยการคอนโวลู ชัน กับตัวกรองเกาส์เซียนซึ่งในแต่ละจุดเชิงพื้นที่ จะถ่วงน้ำหนักว็อกเซลที่อยู่ใกล้เคียงตามระยะทาง โดยน้ำหนักจะลดลงแบบเอกซ์โปเนนเชียล ตาม เส้นโค้งระฆังหากขอบเขตเชิงพื้นที่ที่แท้จริงของการกระตุ้น นั่นคือการกระจายของกลุ่มว็อกเซลที่ทำงานพร้อมกัน ตรงกับความกว้างของตัวกรองที่ใช้ กระบวนการนี้จะช่วยปรับปรุง อัตราส่วนสัญญาณต่อสัญญาณรบกวน นอกจากนี้ยังทำให้สัญญาณรบกวนทั้งหมดสำหรับแต่ละว็อกเซลเป็นไปตามการกระจายแบบเส้นโค้งระฆัง เนื่องจากการรวมการกระจายที่เหมือนกันจำนวนมากเข้าด้วยกันจะสร้างเส้นโค้งระฆังเป็นกรณีจำกัด แต่ถ้าขอบเขตเชิงพื้นที่ของการกระตุ้นที่คาดการณ์ไว้ไม่ตรงกับตัวกรอง สัญญาณจะลดลง^{[ 61 ]}

วิธีการวิเคราะห์ข้อมูล fMRI ที่ใช้กันทั่วไปวิธีหนึ่งคือการพิจารณาแต่ละโวลเซลแยกกันภายในกรอบของแบบจำลองเชิงเส้นทั่วไปแบบจำลองนี้สมมติว่า ณ ทุกจุดเวลาการตอบสนองทางโลหิตวิทยา (HR) เท่ากับเวอร์ชันที่ปรับขนาดและรวมกันของเหตุการณ์ที่เกิดขึ้น ณ จุดเวลานั้น นักวิจัยสร้างเมทริกซ์การออกแบบที่ระบุว่าเหตุการณ์ใดบ้างที่เกิดขึ้น ณ จุดเวลาใด ๆ วิธีที่ใช้กันทั่วไปวิธีหนึ่งคือการสร้างเมทริกซ์ที่มีหนึ่งคอลัมน์ต่อเหตุการณ์ที่ทับซ้อนกัน และหนึ่งแถวต่อจุดเวลา และทำเครื่องหมายหากเหตุการณ์ใดเหตุการณ์หนึ่ง เช่น สิ่งเร้า เกิดขึ้น ณ จุดเวลานั้น จากนั้นจึงสมมติรูปร่างเฉพาะสำหรับ HR โดยปล่อยให้เฉพาะแอมพลิจูดเปลี่ยนแปลงได้ในโวลเซลที่ทำงานอยู่ เมทริกซ์การออกแบบและรูปร่างนี้จะถูกนำมาใช้เพื่อสร้างการทำนาย HR ที่แน่นอนของโวลเซล ณ ทุกจุดเวลา โดยใช้กระบวนการทางคณิตศาสตร์ของการคอนโวลูชันการทำนายนี้ไม่รวมการปรับขนาดที่จำเป็นสำหรับทุกเหตุการณ์ก่อนที่จะรวมกัน

แบบจำลองพื้นฐานถือว่าอัตราการเต้นของหัวใจที่สังเกตได้คืออัตราการเต้นของหัวใจที่ทำนายได้ โดยปรับขนาดด้วยน้ำหนักสำหรับแต่ละเหตุการณ์ แล้วนำมาบวกกัน โดยมีสัญญาณรบกวนผสมอยู่ด้วย วิธีนี้จะสร้างชุดสมการเชิงเส้นที่มีจำนวนสมการมากกว่าตัวแปรที่ไม่ทราบค่า สมการเชิงเส้นจะมีคำตอบที่แน่นอนภายใต้เงื่อนไขส่วนใหญ่ เมื่อสมการและตัวแปรที่ไม่ทราบค่าตรงกัน ดังนั้นจึงสามารถเลือกชุดย่อยของสมการใดก็ได้ โดยมีจำนวนเท่ากับจำนวนตัวแปร แล้วแก้สมการเหล่านั้น แต่เมื่อนำคำตอบเหล่านี้ไปแทนในสมการที่เหลืออยู่ จะเกิดความไม่ตรงกันระหว่างด้านขวาและด้านซ้าย ซึ่งก็คือค่าความคลาดเคลื่อน แบบจำลอง GLM พยายามหาน้ำหนักการปรับขนาดที่ทำให้ผลรวมของกำลังสองของความคลาดเคลื่อนมีค่าน้อยที่สุด วิธีนี้พิสูจน์ได้ว่าเหมาะสมที่สุดหากความคลาดเคลื่อนมีการกระจายแบบระฆังคว่ำ และหากแบบจำลองการปรับขนาดและการบวกมีความแม่นยำ สำหรับคำอธิบายทางคณิตศาสตร์เพิ่มเติมของแบบจำลอง GLM โปรดดูที่ แบบจำลองเชิงเส้นทั่วไป

แบบจำลอง GLM ไม่ได้คำนึงถึงผลกระทบของความสัมพันธ์ระหว่างว็อกเซลหลายๆ ตัว ในขณะที่วิธีการวิเคราะห์ GLM ประเมินว่าแอมพลิจูดสัญญาณของว็อกเซลหรือบริเวณใดสูงหรือต่ำกว่าในเงื่อนไขหนึ่งเมื่อเทียบกับอีกเงื่อนไขหนึ่งหรือไม่ แบบจำลองทางสถิติที่ใหม่กว่า เช่น การวิเคราะห์รูปแบบหลายว็อกเซล (MVPA) จะใช้ประโยชน์จากผลกระทบเฉพาะของว็อกเซลหลายๆ ตัวภายในกลุ่มว็อกเซล ในการใช้งานทั่วไป ตัวจำแนกหรืออัลกอริทึมพื้นฐานกว่าจะถูกฝึกฝนเพื่อแยกแยะการทดลองสำหรับเงื่อนไขต่างๆ ภายในชุดย่อยของข้อมูล จากนั้นแบบจำลองที่ฝึกฝนแล้วจะถูกทดสอบโดยการทำนายเงื่อนไขของข้อมูลที่เหลือ (อิสระ) วิธีการนี้มักทำได้โดยการฝึกฝนและทดสอบในเซสชันหรือรอบการสแกนที่แตกต่างกัน หากตัวจำแนกเป็นแบบเชิงเส้น แบบจำลองการฝึกฝนจะเป็นชุดของน้ำหนักที่ใช้ในการปรับขนาดค่าในแต่ละว็อกเซลก่อนที่จะรวมกันเพื่อสร้างตัวเลขเดียวที่กำหนดเงื่อนไขสำหรับการทดลองแต่ละชุดทดสอบ ข้อมูลเพิ่มเติมเกี่ยวกับการฝึกฝนและการทดสอบตัวจำแนกสามารถดูได้ที่การจำแนกทางสถิติ^{[ 62 ]} MVPA ช่วยให้สามารถอนุมานเกี่ยวกับเนื้อหาข้อมูลของการแสดงแทนทางประสาทที่อยู่เบื้องหลังซึ่งสะท้อนอยู่ในสัญญาณ BOLD ได้^{[ 63 ]}แม้ว่าจะมีความขัดแย้งว่าข้อมูลที่ตรวจพบโดยวิธีนี้สะท้อนถึงข้อมูลที่เข้ารหัสในระดับคอลัมน์หรือระดับเชิงพื้นที่ที่สูงกว่าหรือไม่^{[ 64 ]}ยิ่งไปกว่านั้น การถอดรหัสข้อมูลจากคอร์เทกซ์ส่วนหน้าทำได้ยากกว่าคอร์เทกซ์ส่วนการมองเห็น และความแตกต่างในความไวระหว่างภูมิภาคต่างๆ ทำให้การเปรียบเทียบระหว่างภูมิภาคต่างๆ เป็นเรื่องยาก^{[ 65 ]}อีกวิธีหนึ่งที่ใช้ชุดข้อมูล fMRI เดียวกันสำหรับการจดจำวัตถุทางสายตาในสมองของมนุษย์นั้นขึ้นอยู่กับการวิเคราะห์รูปแบบหลายว็อกเซล (ว็อกเซล fMRI) และการเรียนรู้แบบหลายมุมมอง ซึ่งอธิบายไว้ใน^{[ 66 ]}วิธีนี้ใช้การค้นหาแบบเมตาฮิวริสติกและข้อมูลร่วมกันเพื่อกำจัดว็อกเซลที่มีเสียงรบกวนและเลือกสัญญาณ BOLD ที่สำคัญ

หากเงื่อนไขพื้นฐานใกล้เคียงกับการกระตุ้นสูงสุดมากเกินไป กระบวนการบางอย่างอาจไม่ได้รับการแสดงผลอย่างเหมาะสม^{[ 73 ]}ข้อจำกัดอีกประการหนึ่งของการออกแบบการทดลองคือการเคลื่อนไหวของศีรษะ ซึ่งอาจนำไปสู่การเปลี่ยนแปลงความเข้มของสัญญาณ fMRI ที่ไม่เป็นธรรมชาติ^{[ 73 ]}

ในการออกแบบบล็อก เงื่อนไขสองเงื่อนไขขึ้นไปจะสลับกันเป็นบล็อก แต่ละบล็อกจะมีระยะเวลาเท่ากับจำนวนการสแกน fMRI ที่กำหนด และภายในแต่ละบล็อกจะมีเงื่อนไขเพียงเงื่อนไขเดียวเท่านั้น โดยการทำให้เงื่อนไขแตกต่างกันเฉพาะในกระบวนการทางปัญญาที่สนใจ สัญญาณ fMRI ที่ทำให้เงื่อนไขแตกต่างกันควรแสดงถึงกระบวนการทางปัญญาที่สนใจนี้ ซึ่งเรียกว่าแบบแผนการลบ^{[ 74 ]} การเพิ่มขึ้นของสัญญาณ fMRI ในการตอบสนองต่อสิ่งเร้าเป็นแบบบวก ซึ่งหมายความว่าแอมพลิจูดของการตอบสนองทางโลหิตวิทยา (HR) จะเพิ่มขึ้นเมื่อมีการนำเสนอสิ่งเร้าหลายอย่างอย่างรวดเร็ว เมื่อแต่ละบล็อกสลับกับเงื่อนไขการพักผ่อนซึ่ง HR มีเวลาเพียงพอที่จะกลับสู่ระดับพื้นฐาน ความแปรปรวนสูงสุดจะถูกนำมาใช้ในสัญญาณ ดังนั้นเราจึงสรุปได้ว่าการออกแบบบล็อกให้พลังทางสถิติที่สำคัญ^{[ 75 ] [ 76 ]}อย่างไรก็ตาม วิธีนี้มีข้อเสียร้ายแรง เนื่องจากสัญญาณมีความไวต่อการเปลี่ยนแปลงของสัญญาณมาก เช่น การเคลื่อนไหวของศีรษะ โดยเฉพาะอย่างยิ่งเมื่อใช้บล็อกเพียงไม่กี่บล็อก ปัจจัยจำกัดอีกประการหนึ่งคือการเลือกค่าพื้นฐานที่ไม่เหมาะสม เนื่องจากอาจทำให้ไม่สามารถสรุปผลที่มีความหมายได้ นอกจากนี้ยังมีปัญหาเกี่ยวกับงานหลายอย่างที่ไม่สามารถทำซ้ำได้ เนื่องจากในแต่ละบล็อกจะมีเงื่อนไขเพียงเงื่อนไขเดียวเท่านั้นการสุ่มประเภทของสิ่งเร้าจึงเป็นไปไม่ได้ภายในบล็อก ทำให้ประเภทของสิ่งเร้าภายในแต่ละบล็อกสามารถคาดเดาได้ง่ายมาก ส่งผลให้ผู้เข้าร่วมอาจตระหนักถึงลำดับของเหตุการณ์^{[ 75 ] [ 76 ]}

การออกแบบ ที่เกี่ยวข้องกับเหตุการณ์ช่วยให้สามารถทดสอบในโลกแห่งความเป็นจริงได้มากขึ้น อย่างไรก็ตาม พลังทางสถิติของการออกแบบที่เกี่ยวข้องกับเหตุการณ์นั้นต่ำโดยธรรมชาติ เนื่องจากการเปลี่ยนแปลงของสัญญาณ BOLD fMRI หลังจากการนำเสนอสิ่งเร้าเพียงครั้งเดียวมีขนาดเล็ก^{[ 77 ] [ 78 ]}

ทั้งการออกแบบแบบบล็อกและแบบที่เกี่ยวข้องกับเหตุการณ์นั้นอิงตามแบบแผนการ ลบ ซึ่งถือว่ากระบวนการทางปัญญาเฉพาะสามารถเพิ่มเข้าไปได้แบบเลือกสรรในเงื่อนไขที่แตกต่างกัน ความแตกต่างใดๆ ในการไหลเวียนของเลือด (สัญญาณ BOLD) ระหว่างสองเงื่อนไขนี้จึงถือว่าสะท้อนถึงกระบวนการทางปัญญาที่แตกต่างกัน นอกจากนี้ โมเดลนี้ยังถือว่ากระบวนการทางปัญญาสามารถเพิ่มเข้าไปในชุดของกระบวนการทางปัญญาที่ใช้งานอยู่ได้แบบเลือกสรรโดยไม่ส่งผลกระทบต่อกระบวนการเหล่านั้น^{[ 74 ]}

สัญญาณที่ทับซ้อนกันใน fMRI เป็นความท้าทายที่สำคัญในการวิจัยประสาทวิทยาศาสตร์เชิงปัญญา โดยเฉพาะอย่างยิ่งเมื่อมีการนำเสนอสิ่งเร้าหรือภารกิจหลายอย่างในเวลาใกล้เคียงกัน^{[ 79 ]}การตอบสนอง BOLD มีความละเอียดเชิงเวลาที่ช้าเมื่อเทียบกับลำดับเหตุการณ์ทางปัญญาที่รวดเร็ว ซึ่งทำให้สัญญาณจากกระบวนการสมองที่แตกต่างกันทับซ้อนกัน ทำให้ยากที่จะแยกแยะว่ากิจกรรมทางประสาทใดเกี่ยวข้องกับสิ่งเร้าหรือภารกิจเฉพาะ การทับซ้อนนี้ลดความแม่นยำของการวิเคราะห์ fMRI ที่เกี่ยวข้องกับเหตุการณ์ ทำให้การตีความการทำงานของสมองซับซ้อนขึ้น

การออกแบบ fMRI แบบดั้งเดิม เช่น การออกแบบแบบบล็อกหรือแบบเหตุการณ์ที่เกี่ยวข้อง มีข้อจำกัดในการจัดการการทับซ้อนของสัญญาณนี้ โดยเฉพาะอย่างยิ่งในการศึกษาที่มีการออกแบบสลับแบบไม่สุ่ม ซึ่งงานหรือสิ่งเร้าเดียวกันอาจปรากฏซ้ำๆ และใกล้กัน^{[ 80 ]}ด้วยเหตุนี้ จังหวะเวลาของสิ่งเร้าจึงกลายเป็นปัจจัยสำคัญในการทำให้แน่ใจว่าสัญญาณ fMRI จากเหตุการณ์หนึ่งมีความแตกต่างจากเหตุการณ์ถัดไปอย่างเพียงพอ

เพื่อแก้ไขความท้าทายเหล่านี้ นักวิจัยใช้เทคนิคต่างๆ เช่น การแยกสัญญาณ (deconvolution) ซึ่งแยกการตอบสนอง BOLD ที่ทับซ้อนกันทางคณิตศาสตร์^{[ 81 ] [ 82 ]}ในปี 2023 Das และเพื่อนร่วมงานได้สาธิตวิธีการต่างๆ ในการเพิ่มประสิทธิภาพเวลาKระหว่างเหตุการณ์แต่ละเหตุการณ์ เพื่อลดการรวมสัญญาณที่เกิดขึ้นจากเหตุการณ์ที่อยู่ใกล้กันให้น้อยที่สุด^{[ 83 ]}วิธีการเหล่านี้พยายามประเมินการมีส่วนร่วมของแต่ละเหตุการณ์ทางประสาทต่อสัญญาณโดยรวม ทำให้สามารถตีความกิจกรรมของสมองได้แม่นยำยิ่งขึ้น ความก้าวหน้าในวิธีการวิเคราะห์ เช่น เครื่องมือเฉพาะสำหรับการเพิ่มประสิทธิภาพการออกแบบการทดลอง มีความสำคัญอย่างยิ่งต่อการลดผลกระทบของการทับซ้อนของสัญญาณและปรับปรุงความน่าเชื่อถือของการศึกษา fMRI

สมองไม่เคยหยุดนิ่งอย่างสมบูรณ์ มันไม่เคยหยุดทำงานและส่งสัญญาณประสาท รวมถึงใช้ออกซิเจนตราบใดที่บุคคลนั้นยังมีชีวิตอยู่ อันที่จริง ในการศึกษาของ Stark และ Squire ในปี 2001 ^{[ 84 ]}เมื่อศูนย์ไม่ใช่ศูนย์: ปัญหาของเงื่อนไขพื้นฐานที่ไม่ชัดเจนใน fMRIกิจกรรมในกลีบขมับส่วนกลาง (รวมถึงในบริเวณสมองอื่นๆ) สูงกว่าอย่างมากในช่วงพักผ่อนเมื่อเทียบกับเงื่อนไขพื้นฐานทางเลือกอื่นๆ ผลของกิจกรรมที่เพิ่มขึ้นนี้ในช่วงพักผ่อนคือการลด กำจัด หรือแม้กระทั่งเปลี่ยนเครื่องหมายของกิจกรรมในระหว่างเงื่อนไขงานที่เกี่ยวข้องกับหน้าที่ความจำ ผลลัพธ์เหล่านี้แสดงให้เห็นว่าช่วงเวลาพักผ่อนเกี่ยวข้องกับกิจกรรมทางปัญญาที่สำคัญ ดังนั้นจึงไม่ใช่พื้นฐานที่เหมาะสมที่สุดสำหรับงานด้านการรับรู้ เพื่อที่จะแยกแยะเงื่อนไขพื้นฐานและการกระตุ้น จำเป็นต้องตีความข้อมูลจำนวนมาก ซึ่งรวมถึงสถานการณ์ง่ายๆ เช่น การหายใจ การหยุดชะงักเป็นระยะอาจส่งผลให้ข้อมูลที่ได้มีความเหมือนกันหรือมีความแปรปรวนแตกต่างกัน หากบุคคลนั้นหายใจในอัตราปกติที่ 1 ครั้ง/5 วินาที และการหยุดชะงักเกิดขึ้นทุกๆ 10 วินาที ซึ่งจะทำให้ข้อมูลผิดเพี้ยนไป

วิธีการสร้างภาพทางประสาท เช่น fMRI และ MRI ช่วยให้สามารถวัดการทำงานของบริเวณสมองบางส่วนเพื่อตอบสนองต่อภารกิจทางปัญญาที่เกิดขึ้นระหว่างกระบวนการสแกน ข้อมูลที่ได้รับในช่วงเวลานี้ช่วยให้นักประสาทวิทยาด้านความรู้ความเข้าใจได้รับข้อมูลเกี่ยวกับบทบาทของบริเวณสมองเฉพาะในหน้าที่ทางปัญญา^{[ 85 ]}อย่างไรก็ตาม ปัญหาเกิดขึ้นเมื่อนักวิจัยอ้างว่าบริเวณสมองบางส่วนระบุการทำงานของกระบวนการทางปัญญาที่ถูกระบุไว้ก่อนหน้านี้^{[ 86 ]} Poldrack ^{[ 87 ]}อธิบายปัญหานี้ไว้อย่างชัดเจน:

โดยทั่วไปแล้ว การอนุมานจากข้อมูลการถ่ายภาพระบบประสาทมักอยู่ในรูปแบบ 'ถ้ากระบวนการทางความคิด X ทำงาน แสดงว่าบริเวณสมอง Z ทำงาน' อย่างไรก็ตาม การอ่านส่วนการอภิปรายในบทความ fMRI เพียงไม่กี่บทความก็จะเผยให้เห็นถึงการอนุมานที่แพร่หลายในรูปแบบต่อไปนี้:

(1) ในการศึกษาครั้งนี้ เมื่อมีการนำเสนอการเปรียบเทียบงาน A พื้นที่สมอง Z จะทำงาน

(2) ในการศึกษาอื่นๆ เมื่อกระบวนการรับรู้ X เกิดขึ้น พื้นที่สมอง Z ก็จะทำงาน

(3) ดังนั้น กิจกรรมของพื้นที่ Z ในการศึกษาปัจจุบันแสดงให้เห็นถึงการมีส่วนร่วมของกระบวนการทางปัญญา X โดยการเปรียบเทียบงาน A

นี่คือ 'การอนุมานแบบย้อนกลับ' กล่าวคือ เป็นการให้เหตุผลย้อนกลับจากความเคลื่อนไหวของสมองไปสู่การทำงานของฟังก์ชันการรับรู้เฉพาะอย่างใดอย่างหนึ่ง

การอนุมานย้อนกลับแสดงให้เห็นถึงความผิดพลาดทางตรรกะของการยืนยันสิ่งที่คุณเพิ่งค้นพบ แม้ว่าตรรกะนี้อาจได้รับการสนับสนุนจากกรณีที่ผลลัพธ์บางอย่างเกิดขึ้นจากเหตุการณ์เฉพาะเพียงอย่างเดียวก็ตาม ในส่วนของสมองและการทำงานของสมองนั้น แทบจะไม่เกิดขึ้นเลยที่บริเวณสมองเฉพาะจะถูกกระตุ้นโดยกระบวนการทางปัญญาเพียงอย่างเดียว^{[ 87 ]}ข้อเสนอแนะบางประการเพื่อปรับปรุงความถูกต้องของการอนุมานย้อนกลับ ได้แก่ การเพิ่มความเฉพาะเจาะจงของการตอบสนองในบริเวณสมองที่สนใจ และการเพิ่มความน่าจะเป็นก่อนหน้าของกระบวนการทางปัญญาที่เกี่ยวข้อง^{[ 87 ]}อย่างไรก็ตาม Poldrack ^{[ 85 ]}แนะนำว่าการอนุมานย้อนกลับควรใช้เป็นเพียงแนวทางในการชี้นำการสอบสวนเพิ่มเติมมากกว่าที่จะเป็นวิธีการโดยตรงในการตีความผลลัพธ์

การอนุมานไปข้างหน้าเป็นวิธีการที่ขับเคลื่อนด้วยข้อมูลซึ่งใช้รูปแบบการทำงานของสมองเพื่อแยกแยะความแตกต่างระหว่างทฤษฎีความรู้ความเข้าใจที่แข่งขันกัน มันมีลักษณะร่วมกับตรรกะการแยกส่วนของจิตวิทยาความรู้ความเข้าใจและการเชื่อมโยงไปข้างหน้า ของปรัชญา ตัวอย่างเช่น Henson ^{[ 88 ]} กล่าวถึงการมีส่วนร่วมของการอนุมานไปข้างหน้าในการถกเถียงเรื่อง " ทฤษฎีกระบวนการเดียวเทียบกับทฤษฎีสองกระบวนการ " เกี่ยวกับความจำในการจดจำ การอนุมานไปข้างหน้าสนับสนุนทฤษฎีสองกระบวนการโดยแสดงให้เห็นว่ามีรูปแบบการทำงานของสมองที่แตกต่างกันในเชิงคุณภาพสองแบบเมื่อแยกแยะความแตกต่างระหว่าง "การจำเทียบกับการรู้ " ปัญหาหลักของการอนุมานไปข้างหน้าคือเป็นวิธีการแบบสหสัมพันธ์ดังนั้นจึงไม่สามารถมั่นใจได้อย่างเต็มที่ว่าบริเวณสมองที่ถูกกระตุ้นในระหว่างกระบวนการทางความรู้ความเข้าใจนั้นจำเป็นอย่างสมบูรณ์สำหรับการดำเนินการของกระบวนการเหล่านั้น^{[ 85 ]}ในความเป็นจริง มีหลายกรณีที่ทราบกันดีที่แสดงให้เห็นเช่นนั้น ตัวอย่างเช่น พบว่าฮิปโปแคมปัสถูกกระตุ้นในระหว่างการปรับสภาพแบบคลาสสิก^[89 ] ^{อย่างไรก็ตามการ}ศึกษาเกี่ยวกับรอยโรคแสดงให้เห็นว่าการปรับสภาพแบบคลาสสิกสามารถเกิดขึ้นได้โดยปราศจากฮิปโปแคมปัส^{[ 90 ]}

โดยทั่วไป MRI มีความละเอียดเชิงพื้นที่ดีกว่า EEG และ MEG แต่ความละเอียดไม่ดีเท่ากับวิธีการตรวจแบบรุกราน เช่น การใช้ขั้วไฟฟ้าแบบหน่วยเดียว แม้ว่าความละเอียดทั่วไปจะอยู่ในช่วงมิลลิเมตร แต่ MRI ความละเอียดสูงมากหรือ MR spectroscopy ทำงานที่ความละเอียดระดับหลายสิบไมโครเมตร โดยใช้ สนามแม่เหล็ก 7 เทสลา เครื่องสแกนขนาดเล็กที่สามารถใช้กับสัตว์ขนาดเล็ก เช่น หนู และสารเพิ่มความคมชัดภายนอก เช่น เหล็กออกไซด์ละเอียด การใช้งานกับมนุษย์ต้องใช้เครื่องสแกนขนาดใหญ่กว่า ซึ่งทำให้การใช้สนามแม่เหล็กที่มีความแรงสูงทำได้ยากขึ้น โดยเฉพาะอย่างยิ่งหากสนามแม่เหล็กต้องสม่ำเสมอ นอกจากนี้ยังต้องใช้สารเพิ่มความคมชัดภายใน เช่น BOLD หรือสารเพิ่มความคมชัดภายนอกที่ไม่เป็นพิษ ซึ่งแตกต่างจากเหล็กออกไซด์

การถ่ายภาพแบบขนาน (Parallel imaging) เป็นอีกเทคนิคหนึ่งที่ช่วยปรับปรุงความละเอียดเชิงพื้นที่ เทคนิคนี้ใช้ขดลวดหลายตัวสำหรับการกระตุ้นและการรับสัญญาณ ความละเอียดเชิงพื้นที่จะดีขึ้นตามรากที่สองของจำนวนขดลวดที่ใช้ สามารถทำได้โดยใช้ชุดขดลวดแบบเฟส (phased array) ซึ่งขดลวดจะถูกรวมเข้าด้วยกันแบบขนานและมักจะสุ่มตัวอย่างพื้นที่ที่ทับซ้อนกันโดยมีช่องว่างในการสุ่มตัวอย่าง หรือใช้ชุดขดลวดขนาดใหญ่ (massive coil arrays) ซึ่งเป็นชุดรับสัญญาณที่มีความหนาแน่นสูงกว่ามากและแยกจากขดลวดกระตุ้น อย่างไรก็ตาม วิธีนี้จะรับสัญญาณได้ดีกว่าจากพื้นผิวสมอง และรับสัญญาณได้น้อยกว่าจากโครงสร้างที่อยู่ลึกกว่า เช่นฮิปโปแคมปัส

ความละเอียดเชิงเวลาของ fMRI ถูกจำกัดโดย: (1) กลไกป้อนกลับที่เพิ่มการไหลเวียนของเลือดทำงานช้า (2) ต้องรอจนกว่าสนามแม่เหล็กสุทธิจะฟื้นตัวก่อนที่จะสุ่มตัวอย่างส่วนตัดอีกครั้ง และ (3) ต้องเก็บภาพตัดหลายภาพเพื่อให้ครอบคลุมสมองทั้งหมดหรือบริเวณที่สนใจ เทคนิคขั้นสูงเพื่อปรับปรุงความละเอียดเชิงเวลาจะแก้ไขปัญหาเหล่านี้ การใช้ขดลวดหลายตัวจะเร่งเวลาในการเก็บข้อมูลตามสัดส่วนที่แน่นอนของขดลวดที่ใช้ อีกเทคนิคหนึ่งคือการตัดสินใจว่าส่วนใดของสัญญาณมีความสำคัญน้อยกว่าและตัดส่วนเหล่านั้นทิ้ง ซึ่งอาจเป็นส่วนของภาพที่ซ้ำกันบ่อยในแผนที่เชิงพื้นที่ (นั่นคือกลุ่มเล็กๆ ที่กระจายอยู่ทั่วภาพเป็นระยะ) หรือส่วนที่ซ้ำกันไม่บ่อยนัก (กลุ่มที่ใหญ่กว่า) วิธีแรกคือตัวกรองความถี่สูงใน k-space ได้รับการเสนอโดยGary H. Gloverและเพื่อนร่วมงานที่Stanfordกลไกเหล่านี้สมมติว่านักวิจัยมีความคิดเกี่ยวกับรูปร่างที่คาดหวังของภาพการกระตุ้น

โดยทั่วไปแล้ว การถ่ายภาพ EPI แบบ gradient-echo จะใช้ขดลวด gradient สองตัวภายในระนาบ และเปิดใช้งานขดลวดตัวหนึ่งก่อน แล้วจึงเปิดใช้งานอีกตัวหนึ่ง เพื่อสร้างเส้นต่างๆ ใน ​​k-space การเปิดใช้งานขดลวด gradient ทั้งสองตัวพร้อมกันสามารถสร้างเส้นที่ทำมุมได้ ซึ่งครอบคลุมพื้นที่กริดเดียวกันได้เร็วกว่า นอกจากนี้ยังสามารถเปิดใช้งานขดลวด gradient ทั้งสองตัวตามลำดับที่กำหนดเพื่อสร้างรูปทรงเกลียวใน k-space ลำดับการถ่ายภาพแบบเกลียวนี้จะได้ภาพเร็วกว่าลำดับ gradient-echo แต่ต้องการการแปลงทางคณิตศาสตร์มากขึ้น (และข้อสมมติฐานที่ตามมา) เนื่องจากในการแปลงกลับไปยังพื้นที่ voxel จำเป็นต้องใช้ข้อมูลในรูปแบบกริด (ชุดจุดที่เว้นระยะห่างเท่ากันทั้งในแนวนอนและแนวตั้ง)

ความแตกต่างของภาพที่ชัดเจนขึ้นอยู่กับการไหลเวียนของเลือด ซึ่งตอบสนองต่อสิ่งเร้าได้ช้าและได้รับอิทธิพลจากสัญญาณรบกวน ตัวบ่งชี้ทางชีวภาพอื่นๆ ที่กำลังพิจารณาเพื่อให้ได้ความแตกต่างของภาพที่ดีขึ้น ได้แก่ อุณหภูมิ ความเป็นกรด/ด่าง (pH) สารที่ไวต่อแคลเซียม สนามแม่เหล็กของเซลล์ประสาท และผลของลอเรนซ์ ความแตกต่างของอุณหภูมิขึ้นอยู่กับการเปลี่ยนแปลงของอุณหภูมิในสมองจากการทำงาน การเผาผลาญกลูโคสในตอนแรกจะทำให้อุณหภูมิสูงขึ้น และการไหลเวียนของเลือดเย็นที่สดใหม่เข้ามาจะทำให้อุณหภูมิลดลงการเปลี่ยนแปลงเหล่านี้จะเปลี่ยนคุณสมบัติทางแม่เหล็กของเนื้อเยื่อ เนื่องจากความแตกต่างของภาพภายในนั้นยากต่อการวัด จึงมีการใช้สารภายนอก เช่น สารประกอบ ทูเลียมเพื่อเพิ่มประสิทธิภาพของสารดังกล่าว ความแตกต่างของภาพตามค่า pH ขึ้นอยู่กับการเปลี่ยนแปลงของสมดุลกรด/ด่างของเซลล์สมองเมื่อเซลล์ทำงาน ซึ่งมักใช้สารภายนอกเช่นกัน สารที่ไวต่อแคลเซียมทำให้ MRI ไวต่อความเข้มข้นของแคลเซียมมากขึ้น โดยไอออนของแคลเซียมมักเป็นตัวส่งสารใน เส้นทาง การส่งสัญญาณของเซลล์ในเซลล์ประสาทที่ทำงานอยู่ ความแตกต่างของสนามแม่เหล็กของเซลล์ประสาทวัดการเปลี่ยนแปลงทางแม่เหล็กและไฟฟ้าจากการทำงานของเซลล์ประสาทโดยตรง การถ่ายภาพผลของลอเรนซ์พยายามวัดการเคลื่อนที่ทางกายภาพของเซลล์ประสาทที่ทำงานอยู่ซึ่งนำกระแสไฟฟ้าภายในสนามไฟฟ้าสถิตที่รุนแรง^{[ 102 ]}

การวัดการครอบครองพื้นที่หลอดเลือด (VASO) วัดการเปลี่ยนแปลงของปริมาตรเลือดในสมอง (CBV) ซึ่งเป็นตัวบ่งชี้กิจกรรมทางประสาทที่ชัดเจนกว่า BOLD ความเข้มของสัญญาณแปรผกผันกับ CBV โดยมีการเปลี่ยนแปลงของสัญญาณโดยทั่วไปประมาณ -1.5% วิธีนี้อาศัยความแตกต่างของ T₁ ระหว่างเลือดและเนื้อเยื่อโดยรอบ^{[ 103 ]}เนื่องจาก VASO ทำให้สัญญาณเลือดเป็นศูนย์ จึงช่วยขจัดส่วนประกอบของหลอดเลือดดำขนาดใหญ่ที่มีต่อสัญญาณ MR ลดความเสี่ยงของการระบุตำแหน่งกิจกรรมของสมองผิดพลาดไปยังหลอดเลือดดำที่อยู่ใกล้เคียง และบรรลุความเฉพาะเจาะจงเชิงพื้นที่สูง ซึ่งทำให้เทคนิคนี้เหมาะสำหรับ fMRI เฉพาะชั้น VASO ช่วยให้สามารถวัดปริมาณพารามิเตอร์ทางสรีรวิทยาได้อย่างน่าเชื่อถือ เช่น อัตราการเผาผลาญออกซิเจนของสมองหรือเศษส่วนการสกัดออกซิเจน อย่างไรก็ตาม วิธีการนี้มีข้อจำกัดบางประการเมื่อเทียบกับเทคนิคที่อาศัยสัญญาณ BOLD โดยทั่วไป VASO มีความไวต่ำกว่า มี SNR ต่ำกว่า และมี CNR ต่ำกว่า รวมทั้งมีประสิทธิภาพในการสร้างภาพที่ลดลงและมีความอ่อนไหวต่อสิ่งรบกวนจากการเคลื่อนไหวสูงกว่า^{[ 104 ]}

การถ่ายภาพ fMRI แบบ Balanced Steady-State Free Precession (bSSFP): bSSFP ให้ประสิทธิภาพ SNR สูงเนื่องจากการใช้สนามแม่เหล็กที่เหมาะสม ทำให้ได้ tSNR สูง นอกจากนี้ยังมีการบิดเบือนลดลงเนื่องจากการอ่านค่าที่สั้น ลดการบิดเบือนที่เกิดจากความไวต่อสนามแม่เหล็กและการสูญเสียสัญญาณเมื่อเทียบกับ GRE-EPI เข้ากันได้กับกลยุทธ์การอ่านค่าแบบสั้นขั้นสูง เช่น วิถีแบบหลายช็อต แบบเกลียว และแบบรัศมี อย่างไรก็ตาม bSSFP มีแนวโน้มที่จะเกิดสิ่งแปลกปลอมแบบแถบจากผลกระทบของการไม่ตรงกับความถี่เรโซแนนซ์ และมีกลไกความคมชัดที่ซับซ้อนซึ่งได้รับอิทธิพลจาก T₂/T₁ การแพร่กระจาย และการไม่ตรงกับความถี่เรโซแนนซ์ นอกจากนี้ยังมีแนวโน้มที่จะมี SAR สูงกว่าเมื่อเทียบกับลำดับ GRE ^{[ 105 ]} Pass-Band bSSFP: รูปแบบนี้มีการตอบสนองขนาดที่ราบเรียบในช่วงความถี่กว้าง (ประมาณ 75% ของ 1/TR) ความคมชัดของภาพขึ้นอยู่กับค่า T₂ โดยอาศัยการแพร่กระจายในความชันของความไวต่อสนามแม่เหล็กและการเปลี่ยนแปลงของค่า T₂ ในหลอดเลือด และมีความไวต่อการเปลี่ยนแปลงความถี่ต่ำ แม้ว่าจะให้ความคมชัดต่ำกว่า GRE ที่ใช้ค่า TE ยาว แต่ก็มีความทนทานต่อการเบี่ยงเบนจากความถี่เรโซแนนซ์และการเปลี่ยนแปลงของชิมได้ดีกว่า ทำให้สามารถครอบคลุมสมองทั้งหมดได้อย่างมีประสิทธิภาพโดยมีการวนรอบเฟสน้อยที่สุด สามารถใช้มุมพลิกที่ใหญ่ขึ้นเพื่อทำงานในบริเวณ Passband ได้ Transition-Band bSSFP: ประเภทนี้ทำงานในช่วงความถี่แคบ (ประมาณ 10–15% ของ 1/TR) โดยมีการตอบสนองของขนาดและเฟสที่ชัน ความไวของ BOLD ขึ้นอยู่กับความถี่ โดยการเปลี่ยนแปลงความถี่เล็กน้อยทำให้เกิดการเปลี่ยนแปลงของสัญญาณอย่างมาก ซึ่งอาจให้ความคมชัดเชิงฟังก์ชันสูง (10–40%) อย่างไรก็ตาม ทำให้ขึ้นอยู่กับความถี่เรโซแนนซ์พื้นฐานของว็อกเซลและมีความสำคัญต่อคุณภาพของชิม ทำให้การครอบคลุมสมองทั้งหมดโดยไม่ต้องมีการเก็บข้อมูลหลายครั้งเป็นเรื่องท้าทาย การประยุกต์ใช้: เทคนิค bSSFP มีประโยชน์สำหรับการสร้างภาพเฉพาะชั้นหรือการศึกษาที่ต้องการอัตราส่วนสัญญาณต่อสัญญาณรบกวนสูง (SNR) และความละเอียดเชิงเวลาที่ยอดเยี่ยม โดยเฉพาะในบริเวณสมองที่มีสนามแม่เหล็กต่ำหรืออัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำ (low-SNR)

fMRI แบบ Multi-echo, Multi-contrast (SAGE): เทคนิค SAGE มีเป้าหมายที่จะรวมความไวสูงของ multi-gradient echo (MGE) เข้ากับความจำเพาะของหลอดเลือดขนาดเล็กของ spin-echo (SE) โดยจะทำการเก็บข้อมูล gradient-echo และ spin-echo หลายตัวพร้อมกัน (เช่น 2 GRE, 2 Asymmetric SE, 1 SE) ทำให้สามารถปรับอัตราส่วนความคมชัดต่อสัญญาณรบกวน (CNR) และอัตราส่วนสัญญาณต่อสัญญาณรบกวนเชิงเวลา (tSNR) ให้เหมาะสมที่สุดในค่า T₂* ที่แตกต่างกัน สามารถถ่วงน้ำหนักสัญญาณสะท้อนเพื่อเน้นความคมชัดของ T₂*-BOLD (wT₂*) คล้ายกับ GRE หรือความคมชัดของ T₂-BOLD (wT₂) คล้ายกับ SE ตัวอย่างเช่น การถ่วงน้ำหนัก wT₂* ใช้ GRE ก่อนการโฟกัสใหม่และ Asymmetric Spin Echoes (ASEs) ในขณะที่การถ่วงน้ำหนัก wT₂ ใช้ ASE หลังการโฟกัสใหม่และ SE บริสุทธิ์ วิธีนี้มีประโยชน์อย่างยิ่งสำหรับการศึกษาที่เน้นด้านสรีรวิทยาของหลอดเลือด หรือเมื่อต้องการหลีกเลี่ยงความแปรปรวนระหว่างการสแกน ข้อจำกัดคือต้องพึ่งพาเทคนิคเร่งความเร็ว เช่น มัลติแบนด์ (MB) หรือ SENSE

fMRI แบบเงียบ: Looping Star พัฒนาต่อยอดจาก 3D radial Rotating Ultra-Fast Imaging Sequence (RUFIS) โดยเพิ่มการโฟกัสเกรเดียนต์แบบมัลติเพล็กซ์ตามเวลา ซึ่งช่วยให้สามารถบันทึกภาพหลายเอคโคเกินกว่า FID เริ่มต้น (TE ≈ 0) เพื่อให้ได้คอนทราสต์ T₂* BOLD ที่จำเป็น ข้อได้เปรียบหลักคือลดเสียงรบกวนได้อย่างมาก เงียบกว่า GRE-EPI แบบดั้งเดิมประมาณ 25 dBA (ลดลงประมาณ 98%) ข้อจำกัด ได้แก่ สิ่งแปลกปลอมจากการผสมเอคโคที่อาจต้องแก้ไข และอาจทำให้ tSNR และความไวของ BOLD ลดลงเมื่อเทียบกับ GRE-EPI การศึกษาแสดงให้เห็นว่าในขณะที่ Looping Star ระบุเครือข่ายการกระตุ้นที่คล้ายกับ GE-EPI แต่อาจแสดงขอบเขตการกระตุ้นที่ลดลงและค่า T ที่ต่ำกว่าเนื่องจาก tSNR ที่ต่ำกว่า^{[ 106 ]}พบว่าความไวของ BOLD อยู่ที่ประมาณ 69.5% เมื่อเทียบกับ GE-EPI การประยุกต์ใช้: เทคนิค fMRI แบบเงียบมีประโยชน์อย่างยิ่งสำหรับงานที่เกี่ยวข้องกับเสียง (เพื่อหลีกเลี่ยงเสียงรบกวนจากเครื่องสแกนที่สัมพันธ์กับสิ่งเร้า) การศึกษาในเด็ก หรือการตรวจสอบผู้ที่มีความไวต่อเสียงดัง