从脑内脑电图中识别发作区域,使用基于源选择的域调整

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确的发作发作区 (SOZ) 识别对于焦点手术治疗至关重要.
• 使用来自不同患者的脑电图 (EEG) 数据自动识别SOZ面临因个人EEG变异性而面临的挑战.
• 现有的方法难以克服EEG信号患者间差异的瓶.

研究的目的:

• 开发和评估一种用于自动化SOZ识别的新方法,以解决个别EEG差异.
• 通过域调整和源患者选择,提高焦点患者SOZ鉴定的性能.
• 为了提高手术前手术规划的准确性.

主要方法:

• 提出了一种方法,包括域调整和源患者选择用于SOZ识别.
• 利用来自11名焦点皮层发育不良患者的内EEG数据进行评估.
• 将拟议的方法与缺乏域调整和源患者选择的现有方法进行了比较.

主要成果:

• 与现有方法相比,拟议的方法显著提高了SOZ识别性能.
• 域调整和源患者选择有效地减轻了个体EEG差异的影响.
• 分析表明,来自残留发作患者的数据可能会对性能估计产生负面影响.
• 在MRI图像上的可视化表明了该方法在识别专家忽略的SOZ方面具有潜力.

结论:

• 开发的方法为焦点的自动SOZ识别提供了显著的进步.
• 域调整和源患者选择对于改善跨患者EEG分析至关重要.
• 可能需要进一步的研究来考虑特定的患者数据特征,例如残留发作.
• 该方法在协助病学家精确地定位SOZ进行外科干预方面显示出前途.