基于深度学习的源成像提供了由MEG间接尖峰引起的发性区域的强烈亚叶片局部化

科学领域:

• 神经科学是一个神经科学.
• 生物物理学的生物物理.
• 医疗成像医学成像

背景情况:

• 电磁源成像 (ESI) 对于理解大脑动态和管理大脑疾病至关重要.
• 传统的ESI面临着由于反向问题的不良性质而面临的挑战,需要准确的脑动态建模来规范化.
• 生成模型提供先进的源代码建模功能,但将其集成到传统的ESI框架中是复杂的.

研究的目的:

• 研究一种新的源成像框架,将中大尺度神经元建模和深度学习 (DL) 结合起来,用于ESI.
• 开发基于DL的ESI模型,能够直接从MEG数据中学习传感器源映射.
• 评估基于DL的ESI在耐药焦点的稳定性和临床实用性.

主要方法:

• 开发了两种基于DL的ESI模型,在神经质量模型和通用或个性化头部模型的数据上进行训练.
• 通过系统的计算机模拟来评估模型的稳定性.
• 在29名耐药焦点患者中进行了临床验证,使用手术前MEG间接尖峰和内EEG (iEEG) 数据.

主要成果:

• 基于DL的ESI模型没有个性化的头部几何学,实现了强大的结果,空间分散为21.90 ± 19.03毫米.
• 基于DL的个性化ESI模型,使用个人患者的MRI数据,进一步提高了性能,空间分散为8.19±8.14毫米.
• 与发作区 (SOZ) 相比,个性化方法显示局部化误差为15.78 ± 5.54毫米,优于传统基准.

结论:

• 结合生成模型和深度学习,可以从MEG记录中准确和稳健地对发性区域进行成像,并具有低分叶精度.
• 基于DL的ESI方法显著提高了MEG源本地化和成像能力.
• 这种新的框架具有强大的潜力,可以改善源局部化和其他临床应用.