用图形神经网络进行实时TMS的皮层表面电场估计

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:

• 超磁刺激 (TMS) 是一种用于神经刺激和神经调节的非侵入性技术.
• 精确估计TMS引起的电场 (E-fields) 对于有效和安全的临床应用至关重要.
• 目前用于电子场估计的方法是计算密集的,需要广泛的预处理.

研究的目的:

• 开发一种实时方法,使用3D头部MRI图像来估计皮质表面的E场.
• 为了绕过构建3D解剖头部模型的需要,用于E场估计.
• 在TMS中提高电子场预测的效率和准确性.

主要方法:

• 基于深度学习的皮质表面重建方法被用来生成皮质网.
• 图形神经网络 (GNN) 具有2D皮质表面网状拓,用于E场估计.
• 与GNN集成了一个U-Net架构,从体积MR图像中提取多尺度特征,通过将估计限制在2D表面,实现高效的计算.

主要成果:

• 拟议的方法实现了E场估计在29ms每卷轴配置,明显比现有方法更快.
• 该方法在E字段估计中表现出较高的准确性,与传统的voxel-wise方法相比.
• 在不需要3D解剖模型构建或广泛的预处理 (如组织细分) 的情况下,可以实现实时E场估计.

结论:

• 开发的方法可以实时,准确地对TMS在皮质表面的E场进行估计.
• 这种技术消除了复杂的3D建模和预处理的需要,使其在临床上变得实用.
• 实时电子场估计可以帮助优化线圈的位置,并确保精确刺激目标大脑区域.