受神经质量模型约束的深度神经网络改善了时空大脑动力学的电生理源成像

Proc Natl Acad Sci U S A

.2022 8 月 2;119（31）：e2201128119.

 doi： 10.1073/pnas.2201128119. Epub 格式 2022 七月 26.

受神经质量模型约束的深度神经网络改善了时空大脑动力学的电生理源成像

孙锐 1,阿巴斯·索赫拉普尔 1,格雷戈里·沃雷尔 2,何斌 1

背景崩溃

背景

• 1卡内基梅隆大学生物医学工程系，匹兹堡，PA 15213。

• 2神经内科，梅奥诊所，罗切斯特，明尼苏达州55905。

• PMID： 35881787

•  

• DOI： 10.1073/pnas.2201128119

抽象

已经做出了许多努力来成像大脑的时空电活动，目的是映射其功能和功能障碍以及帮助管理脑部疾病。在这里，我们提出了一种非传统的基于深度学习的源成像框架（DeepSIF），该框架从无创高密度脑电图（EEG）记录中提供对潜在大脑动力学的强大而精确的时空估计。DeepSIF采用生物物理模型生成的合成训练数据，能够对中尺度的大脑动力学进行建模。底层脑源的丰富特征嵌入到逼真的训练数据中，并由DeepSIF网络隐式学习，避免了与优化问题中显式制定和调整先验相关的复杂性，就像传统的源成像方法中经常发生的那样。DeepSIF的表现通过1）一系列数值实验进行评估，2）来自三个公共数据集的总共20名健康受试者的感官和认知大脑反应成像，以及3）通过将DeepSIF结果与侵入性测量和手术切除结果进行比较，严格验证DeepSIF在20名耐药性癫痫患者中识别致痫区域的能力。DeepSIF表现出稳健而出色的性能，其结果与有关感觉和认知信息处理的常见神经科学知识以及有关致痫组织的位置和范围的临床发现以及优于传统源成像方法的结果一致。DeepSIF方法作为一种数据驱动的成像框架，能够对时空大脑动力学进行高效和有效的高分辨率功能成像，这表明其对神经科学研究和临床应用的广泛适用性和价值。

关键字： 脑电图;深度学习;电生理源成像;癫痫;虚拟大脑。