M2M-InvNet:使用TMS和生成的3D卷积网络从多肌反应绘制人类运动皮质

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 跨磁刺激 (TMS) 针对运动皮质,以引起肌肉中的运动唤起潜能 (MEP).
• TMS应用的确切位置会影响产生的MEP,这表明刺激部位和神经激活之间存在因果关系.

研究的目的:

• 调查是否可以使用运动唤起潜力 (MEP) 来推断运动皮层的刺激区域.
• 开发和评估这种反向成像任务的深度学习模型,旨在指导TMS线圈放置所需的肌肉反应.

主要方法:

• 利用先前开发的3D卷积神经网络 (CNN) 来预测来自电场的MEP.
• 开发并评估了五种不同的反向成像CNN架构,包括常规和生成模型.
• 使用多个重建准确度指标评估模型性能.

主要成果:

• 一个拟议的架构,M2M-InvNet,在从MEP数据中估计刺激的皮质区域方面表现出卓越的性能.
• 该研究成功地解决了反向成像问题,将欧洲议会议员映射回他们的皮质起源.

结论:

• 根据MEP,M2M-InvNet架构对准确识别基于TMS刺激的运动皮质区域具有显著的前景.
• 这种方法可以实现更精确的TMS线圈定位,以实现特定的肌肉激活模式.