腦網(wǎng)絡(luò)是隨時間動態(tài)變化的時空現(xiàn)象。功能成像方法致力于無創(chuàng)地評估這些潛在的過程。來自卡耐基梅隆大學(xué)大學(xué)的Sohrabpour等人提出了一種新的源成像方法：使用高密度的腦電圖記錄來繪制腦網(wǎng)絡(luò)。

這種方法客觀地解決了傳統(tǒng)源成像技術(shù)的長期局限性，即難以客觀地估計潛在源的空間范圍以及時間演化。研究者們通過直接比較36例局灶性癲癇患者的顱內(nèi)腦電圖（iEEG）結(jié)果和手術(shù)切除結(jié)果來驗(yàn)證該方法。本研究共分析了1027次放電和86次發(fā)作，結(jié)果展示了此方法在無創(chuàng)性電生理測量中成像腦網(wǎng)絡(luò)的位置和空間范圍的能力，特別是對于發(fā)作期和發(fā)作期內(nèi)的腦網(wǎng)絡(luò)。本方法為無創(chuàng)性研究大規(guī)模動態(tài)腦網(wǎng)絡(luò)提供新方法。本研究發(fā)表在Nature Communications雜志。

方法

   參與者信息

   本研究共納入36例患者。這些患者由醫(yī)生根據(jù)ILAE(international league against epilepsy,國際抗癲癇聯(lián)盟)系統(tǒng)評分，平均監(jiān)測18個月(隨訪時間)。在19個月的隨訪期內(nèi)，21名患者被評為ILAE 1（完全無癲癇發(fā)作），3名患者被評為ILAE 2（無癲癇發(fā)作，只有先兆），12名患者在15個月的隨訪期內(nèi)被評為ILAE 3-6（非癲癇發(fā)作）。 

       算法概要

    本研究使用ESI(electrophysiological source imaging, 電生理學(xué)源成像)優(yōu)化算法，使FAST-IRES(fast spatiotemporal iteratively reweighted edge sparsity,快速時空迭代加權(quán)邊緣稀疏性)算法適用于動態(tài)數(shù)據(jù)分析。該算法的基本思想是，EEG/MEG記錄的源不是極度聚焦的，而是聚焦擴(kuò)展的，因?yàn)?/span>EEG/MEG信號是許多同步神經(jīng)元集合的突觸后電位的疊加。此外，隨著時間的推移，這些放射源相互疊加，在頭皮上可以檢測到這些放射源的活動過程?；谶@些前提，我們假設(shè)，如果通過成分分析從頭皮記錄中描繪出潛在腦活動的TBF(time basis function,時間基函數(shù))，則估計TBF的每一行對應(yīng)于一個空間擴(kuò)展的焦點(diǎn)源。優(yōu)化問題的類型基于這些假設(shè)的求解形式如下：

    其中，?(t)是感興趣間隔內(nèi)頭皮電位（或磁場）測量值（E×t矩陣，其中E是測量次數(shù)，t是給定間隔內(nèi)的時間點(diǎn)數(shù)），K是lead field矩陣（E×N矩陣，N是源數(shù)），j是大腦區(qū)域的未知電流密度（anN×Nc矩陣，其中Nc是TBFs的數(shù)目），A是時間過程激活矩陣（Nc×T矩陣）或TBF，由A=[a1（T），a2（T），…]，β²本質(zhì)上是噪聲功率，由差異定理確定，∑是根據(jù)基線活動度Wd確定的噪聲協(xié)方差矩陣，iL?1和WiL?1是與每個j_i相關(guān)的權(quán)重，用IRES迭代中確定的相同規(guī)則進(jìn)行更新，V是離散梯度算子，α是正則化項(xiàng)中兩項(xiàng)之間的超參數(shù)平衡，將使用L曲線方法進(jìn)行調(diào)整。

       FAST-IRES原理、限制和參數(shù)：

   FAST-IRES的主要原則可以歸納為四個部分：

1. 利用L1范數(shù)正則化項(xiàng)最小化源的邊界。空間梯度的L1范數(shù)，即相鄰兩個源的振幅之差--邊緣，被最小化。這使得解決方案能夠在有限的位置或邊緣進(jìn)行突然的更改或跳躍。這是由于L1范數(shù)的性質(zhì)，在有限數(shù)量的矢量元上允許振幅突變，而L2范數(shù)則強(qiáng)制執(zhí)行平滑。

2. 最小化L1范數(shù)會強(qiáng)制源具有零背景(zero background)，從而抑制恒定背景。

3. 定義參數(shù)的平衡項(xiàng)。L曲線法可以客觀地實(shí)現(xiàn)這一目標(biāo)。

       4. 進(jìn)行迭代加權(quán)。

其中正則函數(shù)的兩個項(xiàng)被加權(quán)。為了評估L曲線對FAST-IRES估計的影響，必須承認(rèn)參數(shù)α影響源估計，因?yàn)樗谡齽t化的兩個項(xiàng)之間提供了平衡。但是，可以使用L曲線方法來調(diào)參。L曲線法基于Pareto最優(yōu)化思想，即正則化的兩個項(xiàng)都應(yīng)盡可能小，通常選擇與L曲線拐點(diǎn)相對應(yīng)的α值。這種方法本身并不是主觀的。但是，由于噪聲或其他不可預(yù)測的因素，曲線可能會發(fā)生一些變化。這是一種不能排除的可能性。我們在補(bǔ)充圖13中提供了一個例子，表明即使在L曲線彎曲處附近將α改變10倍也不會對解產(chǎn)生太大影響。我們認(rèn)為，提出的算法對α的適度變化是魯棒的，并且使用L曲線方法可以系統(tǒng)地減少需要考慮的α的范圍，因此它似乎不會嚴(yán)重影響源估計。

補(bǔ)充圖13  L曲線和選取不同α對估計的影響示例

 

   數(shù)據(jù)記錄與處理

   患者在術(shù)前評估階段接受76導(dǎo)EEG記錄。通道排布為10-10系統(tǒng)，使用CPz電極進(jìn)行重參考。原始數(shù)據(jù)采樣率為：500 Hz，高通濾波1 Hz，以去除數(shù)據(jù)中的虛假慢活動和可能的直流漂移。對于發(fā)作性信號，進(jìn)行20–30 Hz低通濾波器，而對發(fā)作間期信號進(jìn)行50 Hz低通濾波。

    對于每一位患者，使用受試者的個人磁共振成像（MRI）建立個性化的頭模型，形成由K表示的lead-field矩陣。采用三層邊界元方法（BEM，boundary element method）模型求正向解，得到lead-field矩陣。該模型由三層組成，分別代表大腦、顱骨和頭皮，其相應(yīng)的電導(dǎo)率分別為0.33、0.0165和0.33 s/m。采用皮層電流密度（CCD，cortical current density）模型開發(fā)FAST-IRES方法。

       ICA及成分選擇

   為了去除信號的噪聲，提取TBF，我們對EEG信號進(jìn)行了獨(dú)立成分分析(ICA)。棘波數(shù)據(jù)和發(fā)作數(shù)據(jù)的處理方式不同。

    對于發(fā)作數(shù)據(jù)，在每次發(fā)作中，選擇發(fā)作開始前10s至到發(fā)作結(jié)束的數(shù)據(jù)（癲癇發(fā)作時間由訓(xùn)練有素的癲癇學(xué)家標(biāo)記），對每次發(fā)作進(jìn)行分析（在兩名癲癇發(fā)作持續(xù)時間超過2-3分鐘的患者中，只選擇前2分鐘）。使用EEGLAB工具箱（版本14.1.1b）中的logistic infomax ICA算法進(jìn)行ICA。ICA將發(fā)作數(shù)據(jù)分解為空間固定源和時間獨(dú)立源。

   在ICA運(yùn)算結(jié)束后，人工識別并去除眨眼、眼球運(yùn)動等常見偽跡成分。此外，為了識別與癲癇發(fā)作相關(guān)的成分，我們選擇了與癲癇發(fā)作時間演變高度相關(guān)的獨(dú)成分（ICs），即發(fā)作前無癥狀或活動較少，發(fā)作后活動性較高。使用這些成分的時間進(jìn)程作為TBF，隨后將其輸入FAST-IRES算法。

    對于棘波數(shù)據(jù)，我們在每個患者中選擇發(fā)作棘波周圍2s的是數(shù)據(jù)并進(jìn)行拼接，對拼接好的信號進(jìn)行ICA分析。在存在多個棘波類型的患者中，我們對每種棘波類型獨(dú)立執(zhí)行該過程。數(shù)據(jù)分析與之前類似，主要區(qū)別有兩個：

    1.對發(fā)作期間數(shù)據(jù)進(jìn)行1-50Hz的帶通濾波。

    2.剔除明顯的偽跡成分后，對棘波數(shù)據(jù)的時間進(jìn)程做平均。

    然后，我們檢查了這些平均的時間進(jìn)程，當(dāng)他們在棘波點(diǎn)（與基線相比）出現(xiàn)明顯的振幅增加時，將其作為與棘波相關(guān)的成分。將平均的時間進(jìn)程輸入FAST-IRES，以解決源成像問題。

補(bǔ)充圖14  ICA去噪效果示例

 

   頻譜分析

   在對發(fā)作數(shù)據(jù)進(jìn)行去噪并形成TBF后，將FAST-IRES算法應(yīng)用于癲癇發(fā)作后3-5s的數(shù)據(jù)中。以這種方式，獲得了在癲癇發(fā)作初始階段的時空分布。與我們對癲癇發(fā)作傳播和節(jié)律性的預(yù)期一致，這種分布不斷波動并迅速傳播，迅速涉及不在SOZ(seizure onset zone,癲癇發(fā)病區(qū))內(nèi)甚至空間上與之相鄰的區(qū)域。對于顳葉癲癇患者，活動可能在幾毫秒內(nèi)傳播到對側(cè)葉，這使得從源空間分布確定SOZ的任務(wù)變得困難。事實(shí)上，在我們研究的中，有13名患者在發(fā)作后（最早，在發(fā)作后幾秒鐘后）出現(xiàn)繼發(fā)性全身性癲癇發(fā)作或向?qū)?cè)擴(kuò)散。在IC選擇過程中，觀察到對側(cè)成分，并且這些成分通常包括在TBF（時間基函數(shù)）中，因?yàn)槲覀冾A(yù)期并觀察到癲癇向?qū)?cè)的傳播（補(bǔ)充圖15）。

補(bǔ)充圖15 顳葉癲癇患者的發(fā)作傳播示例

 

    根據(jù)發(fā)作性源成像的文獻(xiàn)，在主頻率處進(jìn)行濾波以獲得更具空間相關(guān)性的信號。為此，在所有通道上，計算發(fā)作前5s和發(fā)作后5s數(shù)據(jù)的平均功率進(jìn)行對比。分別將發(fā)作前和發(fā)作后的數(shù)據(jù)，按照1s時長進(jìn)行分段，先計算每個時段的平均功率，再進(jìn)行總平均，最終得到兩個平均功率：發(fā)作前和發(fā)作后。比較兩個頻譜并選擇存在顯著差異的頻段進(jìn)行后續(xù)分析。選擇標(biāo)準(zhǔn)是：發(fā)作后功率必須大于發(fā)作前，并且只選擇頻譜中最強(qiáng)大的一個，并按照所選頻率對數(shù)據(jù)進(jìn)行帶通濾波。隨后計算并顯示癲癇發(fā)作開始時1秒間隔內(nèi)該頻段的平均功率，如圖5a。

    定義性能指標(biāo)

   使用重疊指標(biāo)(overlap metric)，比較估計源的形狀和相對位置與真實(shí)情況的差異情況。計算估計源和切除區(qū)域之間的重疊量，并除以切除面積或估計源的面積，得出標(biāo)準(zhǔn)化重疊比（NOR，normalized overlap ratio）。這也說明了兩個分布之間的匹配程度，兩個比率的理想值都是1。如果得到一個高估或低估的解，兩個度量值中的一個將接近1，而另一個將顯著降低。在一些統(tǒng)計和計算機(jī)科學(xué)文獻(xiàn)中，這兩個NORs也被稱為精確度和召回率。

    本文中使用的另一個性能指標(biāo)是定位誤差（LE,localization error），它被定義為每個SOZ電極之間的平均最小距離（在接受iEEG植入的患者中計算）和估計的EZ(epileptogenic zone,病灶)之間的平均最小距離。 

       比較FAST-IRES時間進(jìn)程與顱內(nèi)痕跡。

   為了評估我們估計的時間進(jìn)程與真實(shí)時間進(jìn)程（即潛在源活動的時間進(jìn)程）的接近程度，對一名患者進(jìn)行了額外的分析。在這項(xiàng)分析中，FAST-IRES估計的活動時程平均分布在外側(cè)顳前區(qū)和海馬旁深部皮質(zhì)，在那里放置了顱內(nèi)電極，最終確定為SOZ。這些平均時間進(jìn)程與這兩個區(qū)域的平均顱內(nèi)軌跡相關(guān)，并且兩個區(qū)域的平均相關(guān)性達(dá)到0.6。對這名患者分析的所有三次發(fā)作重復(fù)這一過程，對于每一次發(fā)作，提取的時間過程與iEEG電極記錄的三次隨機(jī)選擇的癲癇發(fā)作進(jìn)行比較。

    統(tǒng)計檢驗(yàn)和可重復(fù)性

   為了確定棘波和發(fā)作信號評估的性能指標(biāo)之間的統(tǒng)計差異，我們采用了置換檢驗(yàn)?？紤]到這里所研究的性能指標(biāo)不太可能來自正態(tài)分布，而且樣本量有限，我們更傾向于使用置換測試。比較兩組的癲癇發(fā)作分析結(jié)果和棘波分析結(jié)果。使用MATLAB進(jìn)行的置換檢驗(yàn)次數(shù)為104次，顯著性水平為p<0.05。本研究還進(jìn)行了其他雙側(cè)統(tǒng)計檢驗(yàn)，如Welsh的雙樣本t檢驗(yàn)和Wilcoxon秩和檢驗(yàn)，并且能夠得出類似的結(jié)果。

結(jié)果

   擴(kuò)展源的蒙特卡羅模擬

   該方法的基本思想是同時估計潛在源的時空分布，而不是在每個時間點(diǎn)估計其潛在的空間分布。這使得開發(fā)更高效和準(zhǔn)確的算法和更精確的大腦基本過程建模成為可能。假設(shè)潛在源在空間上是集中的，也就是說，局限于大腦的局部區(qū)域，不包括大腦皮層的很大區(qū)域。我們把具有這種特性的源稱為聚焦擴(kuò)展源。這種特性，很可能不是癲癇源特有的，在其他大規(guī)模的現(xiàn)象中也被提出過，在頭皮水平測量時，必須同步激活延伸的皮層區(qū)域，以產(chǎn)生可檢測的信號，如EEG和MEG。請注意，腦活動的精細(xì)微尺度組織，在EEG/MEG或任何表面記錄中都無法感知，我們在這項(xiàng)工作中并不聲稱能夠恢復(fù)這些來源。

圖1 時空源成像方法的概念

 

    聚焦擴(kuò)展源的想法是模擬大規(guī)模的腦信號和腦組織，這些信號和組織通常記錄在EEG和MEG等頭皮測量中。我們工作的一個關(guān)鍵特征是從數(shù)學(xué)上捕捉大規(guī)模腦組織的這一基本特性，并開發(fā)求解這些數(shù)學(xué)模型的計算工具。每一個聚焦擴(kuò)展的空間源都有其獨(dú)特的活動時間過程，對應(yīng)于其振幅隨時間的變化。由于所有源的活動都是線性疊加形成腦電記錄的頭皮電位，因此利用盲源分離（BSS，blind source separation）技術(shù)，可以從頭皮測量值中描繪出源活動。此外，空間約束，如聚焦和活動與背景噪聲之間存在明顯的邊界，可以通過迭代的方法實(shí)現(xiàn)稀疏性，最終促進(jìn)聚焦擴(kuò)展源。

圖2 擴(kuò)展估計的蒙特卡洛模擬結(jié)果

在四種不同信噪比條件下，我們的FAST-IRES算法估計范圍的結(jié)果與模擬源范圍進(jìn)行了對比。四個圖中的紅線為參考線。

 

    為了深入研究我們的理論在可靠地確定底層源的范圍方面的性能，我們進(jìn)行了蒙特卡羅模擬（圖2）。在這個模擬中，我們選擇了大腦皮層上的隨機(jī)位置，在這個位置模擬了一個擴(kuò)展源，并計算了這些源產(chǎn)生的EEG信號。圖2展示了我們的模擬結(jié)果，它是一個典型的mesio時間源，它在所有的信噪比條件下都是局部的。此源的活動估計時間過程與模擬的時間過程非常匹配。這些結(jié)果的Pearson相關(guān)值顯著較高，為0.88。

   臨床數(shù)據(jù)分析結(jié)果概述     

         對于所有形式的機(jī)器學(xué)習(xí)或結(jié)構(gòu)化分解，識別相關(guān)的特征向量對于定量評估和結(jié)果的可解釋性至關(guān)重要。在我們的例子中，為了對癲癇活動進(jìn)行成像，我們首先需要從EEG記錄中提取已知的癲癇特征，即發(fā)作間期的棘波和癲癇發(fā)作。我們研究了36名患有局灶性癲癇的患者，他們接受了手術(shù)治療難以控制的癲癇發(fā)作。高密度EEG記錄對于在ESI成像過程中獲得準(zhǔn)確的解決方案非常重要。我們開發(fā)了一種新的高密度（76通道）EEG技術(shù)，它允許我們在接受術(shù)前監(jiān)測的病人中記錄連續(xù)幾天的腦電圖，以捕捉發(fā)作間期事件和癲癇發(fā)作。我們分析這些新的數(shù)據(jù)來估計EZ，并定量比較我們的無創(chuàng)性ESI結(jié)果與有創(chuàng)iEEG結(jié)果以及手術(shù)切除結(jié)果。癲癇發(fā)作是由經(jīng)驗(yàn)豐富的癲癇學(xué)家確定和標(biāo)記的，同時，研究小組為每個患者提取了棘波。

圖3 研究設(shè)計概覽

圖中描述了分析流程：

上：這項(xiàng)研究的主要兩個方面展示了如何從EEG記錄中提取棘波和發(fā)作數(shù)據(jù)，去噪，并確定它們的TBF（時間基函數(shù)），并將其輸入FAST-IRES中。

中：FAST-IRES源成像方法考慮了源的空間范圍和焦點(diǎn)。算法的輸出是潛在源的時空分布，從中提取EZ并與臨床結(jié)果進(jìn)行比較。

下：最后，通過比較癲癇發(fā)作間期活動和FAST-IRES的發(fā)作活動來評估癲癇特征的表現(xiàn)，并將估計的EZ與臨床結(jié)果進(jìn)行比較。

 

    我們分析了癲癇發(fā)作和發(fā)作間期棘波，對比了每種特征的評估結(jié)果與臨床發(fā)現(xiàn)的質(zhì)量和一致性（圖3）。獨(dú)立成分分析用于抑制噪聲，并確定潛在源的TBF。如前文介紹，選擇TBF的標(biāo)準(zhǔn)對于棘波和癲癇發(fā)作數(shù)據(jù)是不同的。一旦計算出TBF，對棘波和癲癇進(jìn)行源成像處理，并將每個特征的估計值與手術(shù)切除的體積和/或癲癇發(fā)作區(qū)（SOZ）的顱內(nèi)電極進(jìn)行比較（圖3下）。 

       棘波成像

      一般認(rèn)為，棘波來自刺激區(qū)，這與SOZ不同。雖然刺激區(qū)和SOZ的定義很簡單，也很容易評估，但事實(shí)證明EZ(發(fā)病區(qū)）是難以捉摸的。臨床上，EZ被定義導(dǎo)致癲癇發(fā)作的最小組織量。這個定義很抽象，很難評估。最接近EZ的可測量特征很可能是術(shù)后無癲癇發(fā)作的患者的手術(shù)切除量。為了便于比較，手術(shù)切除體積可以被認(rèn)為是偽EZ或真EZ。雖然先前的文獻(xiàn)明確地證明棘波成像結(jié)果與臨床確定的EZs一致，但是棘波成像結(jié)果與來自發(fā)作記錄的成像結(jié)果之間的關(guān)系仍然不確定。我們在本研究中調(diào)查了這種關(guān)系，以確定這些特征中的哪一個可以提供關(guān)于EZ的更多相關(guān)信息。

圖4 棘波成像概覽和結(jié)果

a.FAST-IRES的輸出是一個時空分布，其中空間分布對應(yīng)于活動的時間過程。

b.同一患者臨床表現(xiàn)的棘波成像結(jié)果。

c.所有患者的棘波成像結(jié)果的定量結(jié)果（頂），并根據(jù)手術(shù)結(jié)果分開（底）。

 

    在每個病人術(shù)前的EEG記錄中，選擇棘波周圍2s的對稱窗口進(jìn)行分析。然后對這些波形進(jìn)行平均，并進(jìn)行源成像（圖4a）。將平均棘波及其對應(yīng)的TBF輸入FAST-IRES后，輸出的是在2s間隔內(nèi)變化的腦電活動分布。在棘波時間周圍的40 ms窗口內(nèi)對結(jié)果進(jìn)行平均，以獲得單個源分布，并與每個患者的臨床結(jié)果進(jìn)行比較（圖4a）。圖4b給出了一些棘波成像結(jié)果的例子，與每個病例的相應(yīng)臨床結(jié)果重疊。平均而言，棘波成像結(jié)果的精確度和召回率為0.6（圖4c）。這大致相當(dāng)于EZ與切除組織重疊60%的棘波成像估計值。這表明，可以通過棘波成像結(jié)果來估計EZ，特別是考慮到手術(shù)切除的面積通常足以確保所有致癇組織都被切除（因此他們高估了真實(shí)的EZ）。對于棘波成像結(jié)果，估計的EZ到SOZ電極的距離的定位誤差平均約為18mm（而在癲癇成像中為6mm，圖5c）。這符合這樣一個事實(shí)，即癲癇發(fā)作時的棘波和癲癇發(fā)作并非來自大腦中完全相同的區(qū)域，因此傳遞了有關(guān)潛在癲癇回路的不同信息。

圖5 發(fā)作成像概覽和結(jié)果

a.FAST-IRES的輸出是一個時空分布，其中空間分布對應(yīng)于活動的時間過程。

b.同一患者臨床表現(xiàn)的發(fā)作成像結(jié)果。

c.所有患者的發(fā)作成像結(jié)果的定量結(jié)果（頂），并根據(jù)手術(shù)結(jié)果分開（底）。

 

   發(fā)作成像

   雖然發(fā)作間期棘波已經(jīng)過多年的分析，但癲癇發(fā)作（發(fā)作記錄）通常沒有分析。這在一定程度上是因?yàn)榘l(fā)作記錄非常嘈雜，并且常常包含大量不需要的偽影，例如眼球運(yùn)動、眨眼、肌肉和運(yùn)動偽影。因此，對原始發(fā)作記錄進(jìn)行成像非常困難。目視檢查原始EEG記錄不能提供關(guān)于潛在癲癇發(fā)生組織的起源和范圍的準(zhǔn)確信息。這些障礙在推動發(fā)作數(shù)據(jù)定量研究的主要動機(jī)，這種定量方法可以提供大量關(guān)于癲癇發(fā)作網(wǎng)絡(luò)的起源和程度的臨床相關(guān)信息。       

       我們對癲癇發(fā)作的前幾秒（3-5秒）進(jìn)行成像，并估計在這個時間間隔內(nèi)大腦中的電活動分布，然后在主要發(fā)作節(jié)律下對我們的解決方案進(jìn)行帶通濾波。為了找出每名患者的主要發(fā)作節(jié)律，我們將發(fā)作后的前5s數(shù)據(jù)的頻譜與發(fā)作前5s的進(jìn)行比較，并選擇兩個頻譜差異最大的頻帶（圖5a）。

    我們估計的EZ的精確度和召回率都很高，約為0.75，這表明我們推斷的來源既沒有低估也沒有高估真正的潛在EZ（圖5c）。這是因?yàn)榫群驼倩芈适菢?biāo)準(zhǔn)化指標(biāo)，描述了源和真實(shí)情況的重疊，即手術(shù)切除的體積，相對于估計的源大小或真實(shí)性。因此，如果一個來源低估或高估了手術(shù)量的范圍，那么只有一個值是高的。只有當(dāng)估計的放射源和手術(shù)體積大致相同且重疊良好時，才會這兩個值都高。

此外，在接受iEEG記錄的患者中，定位誤差約為5mm，這已經(jīng)接近iEEG電極分辨率極限（定義為iEEG電極之間最小距離的一半，在我們的研究中通常為10 mm）。當(dāng)繪制無癲癇發(fā)作和非癲癇發(fā)作患者組的結(jié)果時，沒有觀察到統(tǒng)計上的顯著差異（圖5c）。

    在接受有創(chuàng)iEEG記錄的患者中，有87%的患者植入深部電極，以確定深層結(jié)構(gòu)是否參與癲癇的發(fā)生，從而導(dǎo)致深部結(jié)構(gòu)，如海馬體被切除。然而，小的定位誤差表明，使用我們提出的方法，即使是深源也可以被無創(chuàng)地描繪出來。此外，我們還計算了前顳葉外側(cè)部分、海馬體和海馬旁皮質(zhì)附近深部結(jié)構(gòu)內(nèi)活動時間進(jìn)程的相關(guān)性，并將其與該患者的顱內(nèi)記錄進(jìn)行了對比。

    我們的結(jié)果顯示，在這兩個腦區(qū)，估計的時間進(jìn)程和iEEG記錄之間的相關(guān)值為0.61。這種對大腦深層結(jié)構(gòu)的檢查是我們的無創(chuàng)性ESI方法的主要優(yōu)點(diǎn)之一，它有助于研究癲癇網(wǎng)絡(luò)。它也可以用來研究一般的大腦網(wǎng)絡(luò)。 

       連通性成像

   FAST-IRES提供了潛在腦源的時空估計。這意味著，除了潛在的大腦活動的位置和空間范圍外，這些活動的時間進(jìn)程也可以估計出來。可根據(jù)FAST-IRES結(jié)果進(jìn)行后續(xù)網(wǎng)絡(luò)或連接分析。我們根據(jù)我們的FAST-IRES結(jié)果概述并執(zhí)行了連通性分析。

圖6 棘波成像和發(fā)作成像結(jié)果對比

    在定位誤差、幾何平均值和諧波平均值方面，癲癇發(fā)作成像的結(jié)果在統(tǒng)計學(xué)上明顯優(yōu)于棘波成像（圖6a、b）。在進(jìn)一步的調(diào)查中，我們發(fā)現(xiàn)這種差異（棘波和癲癇成像結(jié)果之間）只存在于術(shù)后沒有癲癇發(fā)作的患者（圖6a，b）。這很可能是因?yàn)橛行┗颊哂卸喾N類型的尖棘波，其中一種類型可能是對側(cè)（圖6c），而癲癇發(fā)作始終發(fā)生在與臨床結(jié)果相同的一側(cè)。

    這表明，當(dāng)出現(xiàn)不一致的棘波類型時，僅僅依靠棘波成像結(jié)果可能會產(chǎn)生誤導(dǎo)，必須考慮癲癇發(fā)作的電生理評估。我們進(jìn)一步比較一致的棘波與癲癇發(fā)作分析之間的差異。結(jié)果表明，在持續(xù)性癲癇發(fā)作和癲癇發(fā)作之間沒有明顯差異。此外，我們還觀察了連通性和發(fā)作性成像結(jié)果之間的差異，發(fā)現(xiàn)兩組之間沒有統(tǒng)計上的顯著差異。這表明盡管連通性成像方法提供了一個更具分析性的框架，但它并沒有顯著改善發(fā)作期成像結(jié)果。 

總結(jié)

   本研究展示了無創(chuàng)源成像方法的優(yōu)點(diǎn)，以及它們可以用于腦網(wǎng)絡(luò)成像的程度。換言之，此方法可以定位網(wǎng)絡(luò)節(jié)點(diǎn)，確定這些節(jié)點(diǎn)的空間范圍，估計節(jié)點(diǎn)活動的時間變化，計算節(jié)點(diǎn)間的連通性和動態(tài)性本研究展示了無創(chuàng)源成像方法的優(yōu)點(diǎn)，以及它們可以用于腦網(wǎng)絡(luò)成像的程度。換言之，此方法可以定位網(wǎng)絡(luò)節(jié)點(diǎn)，確定這些節(jié)點(diǎn)的空間范圍，估計節(jié)點(diǎn)活動的時間變化，計算節(jié)點(diǎn)間的連通性和動態(tài)性。此外，本研究證明，癲癇網(wǎng)絡(luò)可以成功地成像，以確定個別患者的EZ（發(fā)病區(qū)），其結(jié)果與侵入性臨床發(fā)現(xiàn)一致。特別是，當(dāng)患者的腦電圖記錄中有多個空間不一致的棘波類型時，發(fā)作期成像優(yōu)于棘波成像。 

原文：Noninvasive electromagnetic source imaging of spatiotemporally distributed epileptogenic brain sources
如需原文及補(bǔ)充材料請加思影科技微信：siyingyxf 或者18983979082（楊曉飛）獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。覺得對您的研究有幫助，請給個轉(zhuǎn)發(fā)，以及右下角點(diǎn)擊一下在看，是對思影科技莫大的支持。

微信掃碼或者長按選擇識別關(guān)注思影

非常感謝轉(zhuǎn)發(fā)支持與推薦