使用卷积神经网络与现实的头部导电模型,用于皮层下和皮层源的M/EEG源定位

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 电脑图 (EEG) 和磁脑图 (MEG) 提供非侵入性脑信号测量,但空间分辨率有限.
• 电生理源成像 (ESI) 旨在非侵入性地识别M/EEG信号的神经元源.
• 在神经科学和临床实践中,使用M/EEG精确定位皮层下脑源仍然是一个重大挑战.

研究的目的:

• 开发和验证数据驱动的,基于深度学习的ESI方法,用于精确定位皮层和皮层下大脑源.
• 克服传统的ESI方法的局限性,这些方法依赖于明确的规范化先验.
• 确定深度学习在M/EEG分析中用于皮质下源定位的可行性和准确性.

主要方法:

• 为ESI设计了一个四层卷积神经网络 (4LCNN),不需要预定义的规范化先验.
• 使用个人MRI数据创建了一个现实的头部导电模型,并对十种不同的头部组织进行了高级细分.
• 4LCNN模型是使用模拟的M/EEG数据进行训练的,这些数据是从现实的头部模型生成的.

主要成果:

• 拟议的4LCNN方法在定位电生理源方面表现出高精度,在皮层下区域显著优于现有方法.
• 通过M/EEG模拟,唤起反应的分析和与侵入性记录的比较,证实了验证.
• 这种深度学习方法代表了ESI首次成功地针对皮质下大脑区域的应用.

结论:

• 开发的基于深度学习的ESI方法,特别是4LCNN,在从M/EEG数据中准确地定位皮质下和皮质脑源方面取得了重大进展.
• 这种技术具有很大的潜力,可以提高临床诊断,了解神经元疾病病理生理学,并推进基本的大脑功能研究.
• 该研究验证了深度学习的可行性和卓越性能,用于具有挑战性的皮质下源本地化任务.