在使用多任务深度学习的跨磁刺激中实时估计最佳的线圈位置

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
• 人工智能的人工智能

背景情况:

• 跨磁刺激 (TMS) 是一种关键的神经调节技术,需要精确的线圈放置才能获得有效的治疗和诊断结果.
• 目前用于优化TMS线圈定位的计算模型是准确的,但计算密集,限制实时应用.
• 精确的线圈定位对于焦点刺激和最大化皮质目标电场至关重要.

研究的目的:

• 开发一个快速,准确的计算框架,以优化TMS线圈放置和预测诱导电场.
• 创建一个神经代理模型,能够实时优化线圈,克服传统数值模拟的局限性.
• 在健康受试者和质母细胞瘤患者中验证开发的模型,考虑到瘤异质性.

主要方法:

• 开发一种新的多任务深度神经网络 (基于Attention U-Net) 基于广泛的数值优化数据进行训练.
• 同时预测最佳的线圈位置和TMS诱导的电场.
• 对模型的准确性和速度与最先进的数值方法以及临床患者数据的验证.

主要成果:

• 神经替代物在35ms内实现了线圈优化,这与现有方法相比是显著的速度改进.
• 位置估计显示平均误差低于2毫米,超过了手动卷轴定位的准确性.
• 预测的电场与数值引用的相关性很高 (r > 0.97).
• 该模型在质母细胞瘤患者中表现精确,突出显示了异质瘤导电性的重要性.

结论:

• 开发的深度神经网络为实时TMS线圈优化提供了计算效率高,准确的解决方案.
• 这种方法促进了对特定主题和潜在实时电场优化的TMS应用.
• 结果支持使用现实的导电性模型,并证明该模型在复杂患者病例中的适用性.