《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:A Comprehensive Pipeline for Electric-Field-Guided Transcranial Magnetic Stimulation Targeting and Optimization
编辑推荐:
针对传统数值计算管道耗时且依赖全脑分割、深度学习模型稳定性与可解释性不足的问题,研究人员构建了支持数值与深度学习双模式的经颅磁刺激(TMS)局部电场(E-field)靶向与优化综合管道PLED。该管道融合组织电导率与线圈一次电场先验,实现超40倍CPU/100倍GPU加速,并在全脑多靶点精度上超越现有深度学习方法,显著提升个性化TMS治疗效率与疗效。
在神经康复领域,经颅磁刺激(Transcranial Magnetic Stimulation, TMS)已经成为一种重要的非侵入式神经调控手段,能够通过磁场在大脑特定区域诱导电流,进而调节神经元活动。近年来,随着精准医疗理念的推进,研究者越来越意识到:只有将刺激“打准位置”,才能真正发挥TMS的治疗潜力。然而,一个现实难题摆在面前——TMS的作用核心在于其在脑组织中诱发的电场(Electric Field, E-field),而这个电场的空间分布受到脑组织结构、电导率差异以及线圈位置和方向的显著影响。传统方法通常依赖全脑数值计算来模拟E-field,这不仅需要精细的全头组织分割,而且计算时间长,难以满足临床实时或近实时的需求;另一方面,虽然深度学习(Deep Learning, DL)方法在近几年被引入E-field预测,但其稳定性和可解释性往往不足,且缺乏物理先验的嵌入,使得结果在临床应用中存在隐忧。正因如此,构建一个既快速又准确、同时兼具物理可解释性的E-field估计与线圈优化管道,成为推动个性化TMS走向临床的关键一步。
为了解决上述挑战,研究团队开发了一个名为PLED的综合管道,它支持数值方法与深度学习方法两种模式,用于基于局部E-field的TMS靶向与优化。PLED的核心流程包括局部图像块提取、组织分割、局部E-field估算以及线圈放置优化,并且在深度学习模型中引入了组织电导率和线圈一次电场(primary E-field)的先验信息。通过在四个数据集上对数百万个局部图像块的广泛实验,结果显示该管道在CPU上比传统数值计算快40倍以上,在GPU加速下更是达到100倍的提速,同时在全脑大多数潜在刺激位点上实现了更高的精度。这项成果发表于《IEEE Transactions on Neural Systems and Rehabilitation Engineering》,为精准个性化TMS治疗和康复提供了强有力的工具支撑。
在技术方法方面,研究主要采用了四个关键步骤:首先,从脑部影像中提取局部图像块(local image patch),减少全脑计算负担;其次,进行组织分割以区分不同电导率特性的脑结构;第三,结合数值方法或深度学习模型进行局部E-field估计,其中DL模型融合了组织电导率和线圈一次电场的物理先验;最后,基于E-field分布进行线圈放置优化。实验数据来自四个不同的数据集,共包含数百万个局部图像块,涵盖了多种脑结构与刺激场景。
Abstract:
目标(Objective)是明确TMS作为一种非侵入性神经调控手段在康复中的重要性,并指出基于E-field建模的个性化治疗必要性。方法(Methods)部分展示了PLED管道的构成,包括局部图像块提取、组织分割、局部E-field估算和线圈放置优化,并强调物理先验的嵌入。结果(Results)显示,PLED在速度上显著优于传统数值管道,且在精度上超越其他深度学习管道。结论(Conclusion)指出,该管道实现了快速、准确且稳健的局部E-field估算与线圈优化。意义(Significance)部分强调,PLED能够提升刺激疗效并缩短数据处理时间,促进精准个性化TMS治疗与康复。
研究结论与讨论部分进一步强调了PLED的多重优势:首先,它在保持高精度的前提下极大缩短了计算时间,这对于临床实时决策尤为重要;其次,通过引入组织电导率和线圈一次电场的先验信息,提升了深度学习模型的可解释性和物理一致性,解决了纯数据驱动方法常见的“黑箱”问题;第三,PLED的局部图像块策略避免了全脑分割的繁琐步骤,降低了预处理门槛,使其更易在不同临床环境中部署。最终,这一管道不仅适用于科研中的脑刺激机制探索,也为未来的个性化TMS康复方案设计提供了高效可靠的计算平台,有望推动神经调控技术从实验室走向更广泛的患者群体。