Por favor, avalie esta postagem
Os pesquisadores da Skoltech propuseram um método para interpretar dados de atividade cerebral que provou ser até cinco vezes mais preciso do que a técnica convencionalmente usada nos casos em que os dados de ressonância magnética continham artefatos ou apenas um modelo de cabeça de baixa resolução estava disponível. Relatado em Transações IEEE sobre imagens médicasas descobertas são úteis para o tratamento da epilepsia resistente a medicamentos e para a compreensão dos processos cognitivos no cérebro saudável, incluindo como ele responde a estímulos visuais e registra novas palavras.
Mapear a atividade cerebral é a maneira padrão de determinar quais partes do cérebro estão envolvidas em uma tarefa cognitiva específica – por exemplo, receber informações sensoriais ao cutucar um gato com o dedo – ou implicadas em processos patológicos, como ataques epilépticos ou distúrbios do sono. A atividade cerebral é geralmente registrada com eletro ou magnetoencefalografia, abreviadas como EEG e MEG, respectivamente. A primeira técnica envolve a colocação de um conjunto de eletrodos na superfície do couro cabeludo para medir potenciais elétricos locais. O segundo usa sensores para registrar o campo magnético em vez de potenciais, mas ambas as medidas são substitutas para detectar e localizar as correntes elétricas no cérebro.
“O EEG existe há cerca de 100 anos e alguns tipos de atividade neural são muito bem estudados”, explicou o autor principal do estudo, cientista pesquisador sênior Nikolay Yavich, da Skoltech. “Por exemplo, é bastante fácil para um médico experiente estudar um distúrbio do sono lendo dados brutos de EEG. Outros casos são mais difíceis. Para identificar com precisão os pontos críticos no cérebro de um paciente responsáveis pelas crises epilépticas, os dados de EEG ou MEG são combinados com exames de ressonância magnética de alta resolução, que modelam a cabeça do paciente, e são processados com algoritmos de computador avançados. Desde que a região problemática seja localizada com precisão, ela poderá então ser operada sem danificar o tecido circundante para ajudar um paciente com epilepsia quando os medicamentos não funcionam.”
No entanto, os exames de ressonância magnética usados em conjunto com mapas de atividade cerebral nem sempre são perfeitos. Freqüentemente, eles são corrompidos por ruídos e outros artefatos de imagem. Isso leva a imprecisões na segmentação da imagem. De acordo com os pesquisadores da Skoltech envolvidos no estudo, sua técnica é muito menos sensível a tais imperfeições de dados.
“Descobrimos que, ao modelar a atividade neural em modelos de cabeça de baixa resolução, nosso método foi até cinco vezes mais preciso do que a abordagem convencional. Embora também exija uma carga computacional maior, os benefícios parecem justificar sua aplicação”, comentou Yavich.
Isso significa que o método pode ajudar cientistas cognitivos, neurologistas e neurocirurgiões que trabalham com dados menos que perfeitos a compreender a base neurológica subjacente a doenças como epilepsia, transtorno de déficit de atenção e autismo, bem como processos cognitivos saudáveis envolvidos na memória, sensualidade. percepção, locomoção e muito mais.
Referência: “Modelagem Conservadora de Elementos Finitos de EEG e MEG em Redes Não Estruturadas” por N. Yavich; N. Koshev; M. Malovichko; A. Razorenova e M. Fedorov, 13 de outubro de 2021, Transações IEEE sobre imagens médicas.
DOI: 10.1109/TMI.2021.3119851
A técnica usada pelos pesquisadores é chamada de método de elementos finitos híbridos mistos, ou MHFEM. Isso é precisão foi comparado com o método convencional de elementos finitos nodais, abreviadamente P1 FEM. O objetivo de ambos os métodos na interpretação de dados de EEG e MEG é resolver as equações que constituem o que é conhecido como problema direto. Os métodos diferem porque as correntes neurais calculadas com MHFEM são sempre físicas, pois satisfazem a lei de conservação de carga, enquanto P1 FEM não possui esta propriedade.
O principal investigador do estudo relatado nesta história, Maxim Fedorov é o ex-vice-presidente de IA e modelagem matemática da Skoltech. Ele agora atua como reitor da Universidade Sirius de Ciência e Tecnologia.