通过生物物理上受约束的深度神经网络,可以从头皮EEG中图像捕获发源

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确的发作局部化对于治疗耐药焦点来说至关重要.
• 目前用于确定发作来源的非侵入性方法可能是有限的.

研究的目的:

• 调查基于深度学习的新型源成像框架 (DeepSIF) 的有效性,用于使用电脑电图 (EEG) 数据进行非侵入性位定位.
• 为了评估DeepSIF在耐药焦点患者的表现.

主要方法:

• 开发了DeepSIF,这是一个深度学习框架,利用神经质量模型来生成合成ictal振荡数据.
• 通过使用计算机模拟和33名耐药焦点患者的高密度EEG记录来训练和验证DeepSIF.
• 将DeepSIF的发作源成像估计与手术切除结果和发作区域 (SOZ) 相比较.

主要成果:

• 与其他方法相比,DeepSIF在估计空间和时间发作来源信息方面表现优异.
• 相对于切除区域,实现了高空间特异性 (96%) 和低空间分散 (3.80 ± 5.74 mm).
• 显示了发作区域的良好覆盖,平均距离为10.89 ± 10.14毫米.

结论:

• DeepSIF显示了在焦点中推进ictal活动起源的非侵入性成像的显著潜力.
• 该框架通过提供精确的发作局部化,有助于治疗难治的管理.
• DeepSIF为改善管理中的临床决策提供了一个有前途的工具.