基于U-Net的横磁刺激电场估计的全面评估

科学领域:

• 计算神经科学是一种计算神经科学.
• 医学成像医学成像
• 机器学习是机器学习.

背景情况:

• 跨磁刺激 (TMS) 是一种非侵入性脑刺激技术.
• 准确的计算模型对于TMS准和剂量至关重要.
• 目前的有限元法 (FEM) 模型是准确的,但在计算上昂贵.

研究的目的:

• 开发和评估一个深度学习 (DL) 框架,以快速估计TMS诱导的电场.
• 将U-Net DL模型的性能与黄金标准FEM方法进行比较.
• 为了评估DL模型的准确性和计算效率跨不同的人口数据和刺激条件.

主要方法:

• 经过修改的U-Net架构被训练以从解剖MRI和TMS线圈参数中预测电场.
• 使用了100个不同的人类连接体项目MRI扫描的数据集.
• 模拟包括13个线圈方向和每个参与者的1206个位置,共计15678个配置.

主要成果:

• 该U-Net模型实现了0.8秒的模拟速度,比FEM加速97,000倍.
• 与FEM相比,平均DICE系数为0.71±0.06毫米,重心偏差为7.52±4.06毫米.
• 在整个头部刺激条件和多样化的人口统计数据集中评估了性能.

结论:

• 深度学习为TMS电场预测提供了显著的加速.
• 对于特定的TMS应用,DL预测的准确性需要仔细验证.
• 本研究提供了DL对TMS电场建模的全面评估.