A hierarchical face-scalp-cortex mapping for non-invasive neuromodulation targeting without magnetic resonance images guidance

Résumé technique : Une cartographie hiérarchique visage-cuir chevelu-cortex pour la neuromodulation non invasive sans guidage par IRM

Énoncé du problème
Les techniques de neuromodulation non invasives, telles que la stimulation magnétique transcrânienne (TMS), la stimulation ultrasonore transcrânienne (TUS) et la photobiomodulation transcrânienne (tPBM), offrent des traitements non pharmacologiques efficaces pour les troubles psychiatriques et neurologiques. Cependant, le ciblage précis repose généralement sur des systèmes de neuronavigation dépendant de l'imagerie par résonance magnétique (IRM) individuelle. Cette dépendance crée des barrières importantes : les examens IRM sont coûteux, chronophages, peu accessibles pour de nombreuses institutions et inconfortables pour certains patients. De plus, les alternatives actuelles sans IRM souffrent souvent de procédures manuelles laborieuses, d'une dépendance à l'expérience de l'opérateur ou d'un manque de justification théorique fondée pour la cartographie des repères de surface vers les cibles cérébrales internes. Il existe un besoin critique pour un cadre unifié, automatisé et explicable permettant un ciblage précis sans guidage par IRM.

Méthodologie
Les auteurs proposent un cadre unifié basé sur une cartographie hiérarchique visage-cuir chevelu-cortex, intégrée dans un système de neuronavigation robotique sans marqueurs. Le flux de travail comprend trois étapes principales :

1. Cartographie Visage-Cuir Chevelu (Reconstruction de la surface crânienne) :

   • Entrée : Un nuage de points facial acquis via un scanner 3D portable.
   • Modèle : Une architecture de modélisation générative 3D combinant un auto-encodeur variationnel (VAE) et un modèle de diffusion. Le VAE extrait des représentations latentes topologiques des structures faciales et crâniennes, tandis que le modèle de diffusion apprend la correspondance entre l'espace latent facial et l'espace latent crânien.
   • Processus : Le système prend le nuage de points facial comme entrée conditionnelle pour générer un modèle de surface crânienne 3D complet, « complétant » ainsi les régions manquantes du cuir chevelu et de la partie postérieure de la tête en se basant sur les corrélations apprises à partir d'un vaste ensemble de données de 8 195 paires de surfaces faciales et de surfaces crâniennes dérivées de l'IRM.
   • Confidentialité : La modélisation générative est entraînée sur un serveur cloud ; seule la surface crânienne reconstruite est transmise au système local, protégeant ainsi la confidentialité faciale du patient.

2. Cortex-Cuir Chevelu (Localisation de la cible) :

   • Système de coordonnées : Les auteurs introduisent un système de Coordonnées d'Angle du Cuir Chevelu (SAC), défini par trois repères anatomiques : le nasion (Nz) et les points préauriculaires gauche et droit (LPA/RPA). Ce système représente les points du cuir chevelu à l'aide de coordonnées angulaires ($S_\theta, S_\phi$) plutôt que de distances géodésiques.
   • Stratégie de cartographie : En utilisant l'ensemble de données SLIM (292 participants sains), le système analyse statistiquement les coordonnées des cibles corticales (dans l'espace MNI) pour construire une cartographie cortex-cuir chevelu au niveau de la population. Cette cartographie transforme une cible MNI souhaitée en un emplacement spécifique sur la surface crânienne individuelle générée.
   • Avantage : Cette approche découple la construction de la cartographie du besoin de données spatiales complètes du cuir chevelu, en s'appuyant sur les trois repères clés qui sont facilement identifiables sur le scan facial.

3. Neuronavigation Robotique Sans Marqueurs :

   • Matériel : Un bras robotique à 6 degrés de liberté (UR5e) équipé d'un applicateur de TMS et d'un capteur de force/couple à 6 axes, guidé par une caméra de vision stéréoscopique.
   • Recalage : Le système effectue un recalage dynamique entre le modèle de tête 3D virtuel et la tête réelle du patient en utilisant des repères faciaux détectés par IA (ex. : milieux des yeux, pointe du nez).
   • Optimisation : Pour faire face à l'incertitude inhérente à la détection de repères par IA, le système utilise un algorithme d'optimisation dynamique qui affine les repères du modèle virtuel afin de minimiser les erreurs de recalage entre l'espace de la caméra et l'espace de rendu.
   • Exécution : Le robot positionne l'applicateur à la cible calculée et maintient une force de contact constante (environ 4 N) via un contrôle par admittance pour assurer la sécurité et la stabilité lors des mouvements de la tête.

Contributions Clés

• Cadre Unifié : L'article fait le pont entre la reconstruction de surface géométrique et la cartographie surface-cerveau, fournissant une explication fondée pour estimer les cibles intracrâniennes à partir des seules données faciales.
• Modélisation Générative : Il démontre la faisabilité d'un modèle génératif basé sur la diffusion pour reconstruire des surfaces crâniennes complètes à partir de scans faciaux partiels, éliminant ainsi le besoin de mesures manuelles du cuir chevelu.
• Système de Coordonnées d'Angle du Cuir Chevelu (SAC) : Un nouveau système de coordonnées est proposé, facilitant la cartographie cortex-cuir chevelu en utilisant uniquement trois repères anatomiques, ce qui réduit l'accumulation d'erreurs par rapport aux méthodes basées sur les distances géodésiques.
• Automatisation Sans Marqueurs : L'intégration de ce cadre dans un système de neuronavigation robotique sans marqueurs élimine le besoin de marqueurs fiduciaires physiques, réduisant ainsi le temps de configuration et la dépendance à l'opérateur.

Résultats

• Précision de la Reconstruction de Surface : Dans un ensemble de test de 503 cas IRM, le modèle génératif a atteint une erreur de reconstruction moyenne de moins de 1,05 mm pour la plupart des régions du cuir chevelu, avec des erreurs plus élevées observées dans la zone occipitale et près des oreilles. Les tests de cohérence sur trois opérateurs ont montré une corrélation intra-classe élevée (ICC > 0,89 pour la distance moyenne).
• Précision du Ciblage (In Silico) : En utilisant la cartographie basée sur le SAC sur 292 participants sains, l'erreur moyenne de ciblage du cuir chevelu variait de 2,36 mm à 5,70 mm, et l'erreur de ciblage cortical variait de 2,50 mm à 8,81 mm. La validation sur 18 patients souffrant d'insomnie a montré que, bien que les erreurs augmentent légèrement avec les entrées basées sur le scanner par rapport aux entrées basées sur l'IRM, les erreurs de ciblage cortical pour les régions clés (M1 et DLPFC) restent comparables aux autres ensembles de données.
• Validation sur Fantôme : Sur un fantôme de tête imprimé en 3D, le système de navigation sans marqueurs optimisé a atteint une erreur de position moyenne de < 5 mm et une erreur angulaire de < 3°, surpassant les méthodes de repères non optimisées.
• Validation Clinique (In Vivo) : Dans une étude portant sur 18 patients souffrant d'insomnie traités par rTMS à 1 Hz ciblant le DLPFC droit pendant deux semaines, des améliorations significatives de la qualité du sommeil ont été observées (les scores PSQI sont passés de 13,39 à 8,39 ; les scores ISI sont passés de 18,56 à 12,17). Crucialement, l'étude a révélé qu'il n'y avait aucune corrélation significative entre l'ampleur des erreurs d'estimation du ciblage et les résultats thérapeutiques, suggérant que la précision du cadre est suffisante pour l'efficacité clinique.

Signification et Revendications
Les auteurs affirment que ce cadre offre une solution fondée, explicable et automatisée pour le ciblage de la neuromodulation sans IRM. En intégrant des corrélations anatomiques fragmentées dans un flux de travail unifié, le système répond aux limites des méthodes manuelles actuelles (faible précision, haute variabilité) et des systèmes dépendants de l'IRM (coût élevé, faible accessibilité).

L'article pose que cette approche :

• Réduit les Barrières Cliniques : Elle rend la neuromodulation précise accessible aux hôpitaux communautaires, aux cliniques psychiatriques et aux centres de réadaptation où l'IRM est indisponible.
• Réduit la Charge du Patient : Elle élimine le besoin d'examens IRM pré-traitement et de placement manuel de marqueurs, raccourcissant le flux de travail de traitement à environ 10–15 minutes.
• Permet l'Automatisation : Le système de navigation robotique sans marqueurs ouvre la voie à de futurs services de neuromodulation automatisés ou non supervisés.
• Démontre la Faisabilité : Le traitement réussi de patients souffrant d'insomnie sans guidage par IRM valide l'utilité clinique du cadre, suggérant que les erreurs d'estimation tombent dans la plage acceptable de l'étalement de la stimulation efficace.

Les auteurs restent modestes quant aux limites, reconnaissant que les données d'entraînement appariées sont actuellement limitées, que l'hypothèse de cartographie linéaire peut ne pas capturer parfaitement les distributions de champs physiques complexes, et que la taille de l'échantillon in vivo était petite. Ils suggèrent que les travaux futurs se concentreront sur l'expansion des ensembles de données, l'amélioration de l'adaptation de domaine pour les variations de scanners, et potentiellement le développement de dispositifs robotiques portables.