使用基于深度学习的 T1 加权 MRI 个性化电场图直接估计 tDCS 数字孪生
文章目录
- Towards tDCS Digital Twins Using Deep Learning-Based Direct Estimation of Personalized Electrical Field Maps from T1-Weighted MRI
- 摘要
- 方法
- 实验结果
Towards tDCS Digital Twins Using Deep Learning-Based Direct Estimation of Personalized Electrical Field Maps from T1-Weighted MRI
摘要
背景： 经颅直流电刺激（tDCS）是一种非侵入性脑刺激方法，通过低强度直流电施加神经调节效应，在抑郁症、物质使用障碍、焦虑和疼痛等领域展现出潜在的积极影响。然而，混合试验结果阻碍了该领域的发展。电流场近似计算为tDCS研究人员提供了一种评估个体对特定tDCS参数响应的方法。尽管已有基于物理模型的公开刺激器推动了研究进展，但这些方法可能存在误差、对数据质量敏感（如分割错误），且运行时间较长（可达数小时）。
目的： 实现数字功能孪生（Digital Functional Twin）理念，用于个性化tDCS响应预测。本研究旨在直接从T1加权磁共振成像（MRI）生成tDCS电场图，以提供高效的个性化tDCS剂量估计方法。
方法： 采用深度学习方法，并结合特殊损失正则化策略，以提高模型在个体扫描和电极布置上的泛化能力和校准能力。用户可输入特定的电极布置和个性化MRI，以生成定制化电场分布。数据集包含442名成年个体的头部MRI。与基于物理模型的方法（需1-3小时）相比，该方法可在数分钟内生成结果。
结果： 实验表明，该方法能够有效加速个性化tDCS剂量估计过程，从而优化tDCS干预方案。为促进开放科学，相关代码已公开于 https://github.com/lab-smile/tDCS-DT。
方法
实验结果
