基于深度学习构建具有非均匀电导率个性化人头模型用于脑刺激
机器学习
2020-02-04 v2 计算机视觉与模式识别
机器学习
摘要
人脑电磁刺激是多种神经系统疾病神经生理学表征与诊断的关键工具。经颅磁刺激（TMS）是一种临床常用方法。然而，个性化 TMS 需要一套精准头模型生成流程以提供靶向刺激。该过程包括基于磁共振成像（MRI）对若干头部组织进行密集分割，这在低对比度组织上尤其容易产生分割误差。此外，模型中每种组织被赋予均匀电导率，这是基于传统体导体建模的不现实假设。本文提出一种无需解剖分割、自动估计体导体模型中人头电导率的新方法。设计了一个卷积神经网络，基于从 T1 与 T2 加权 MRI 扫描获得的解剖信息来估计个性化电导率值。该方法可避免耗时的组织分割过程，并最大化基于 MRI 强度值估计的水含量值进行位置相关电导率赋值的优势。与常规方法相比，所提方法的计算结果给出了相似但更平滑的脑电场结果。
引用
@article{arxiv.1910.02420,
title = {Deep learning-based development of personalized human head model with non-uniform conductivity for brain stimulation},
author = {Essam A. Rashed and Jose Gomez-Tames and Akimasa Hirata},
journal= {arXiv preprint arXiv:1910.02420},
year = {2020}
}