パーソナライズされた人間の頭部モデリングと解像度が急速な脳マッピングのためのEEGソースローカリゼーションに与える影響

科学分野:

• 神経画像; 生体医工学; 計算神経科学

背景:

• 脳波（EEG）ソースイメージングは、脳活動の理解に不可欠です。; 正確なソースローカリゼーションには、複雑なセグメンテーションを伴うことが多い詳細なヘッドモデルが必要です。; 計算コストとモデル解像度は、現在のEEGソースイメージング技術におけるトレードオフを表します。

研究 の 目的:

• パーソナライズされたヘッドモデルを使用したセグメンテーションフリーEEGソースイメージングの評価。; モデル解像度、解剖学的忠実度、および計算コストがローカリゼーション精度に与える影響の評価。; 高速脳マッピングのためのスパース逆解析の探求。

主な方法:

• スカラーポテンシャル有限差分法と直交マッチング追跡を使用して、逆ソースローカリゼーションを実行しました。; 機械学習モデル（CondNet、CondNet-TART）を使用して、MRIから組織伝導率を直接推定し、連続的な伝導率分布を作成しました。; さまざまな解像度でセグメンテーションフリーモデルと有限要素法（FEM）を比較しました。

主要な成果:

• セグメンテーションフリーモデルは、23 mm未満のローカリゼーション誤差を達成し、粗い解像度で安定した精度を示しました。; 2.0 mmの解像度で有限要素法（FEM）と比較して計算時間が87.9%削減されました。; CondNet-TARTは、セグメンテーションフリーモデルの中で優れたローカリゼーション精度と安定性を示しました。

結論:

• 提案されたセグメンテーションフリーフレームワークは、計算負荷を大幅に低減し、効率的で正確なEEGソースローカリゼーションを提供します。; このアプローチは、術前機能マッピングやリアルタイム神経画像などの時間的制約のあるアプリケーションに適しています。