Automated extraction of electrode coordinates from structural MRI to assess tDCS placement accuracy

Deze studie presenteert een geautomatiseerd algoritme dat de coördinaten van elektroden uit structurele MRI-scans haalt om de plaatsingsnauwkeurigheid van tDCS te beoordelen, waarbij de prestaties van het algoritme (met een mediane localisatiefout van 2,4 mm) vergelijkbaar zijn met of beter zijn dan die van menselijke beoordelaars.

De kern

Stel je voor dat je een heel precieze boodschap wilt sturen naar een specifieke kamer in een groot, donker kasteel (je hersenen). Om dat te doen, moet je een magische lantaarn (de elektrode) van transcraniële directe stroomstimulatie (tDCS) op de exacte juiste plek op de muur van dat kasteel plaatsen. Als je de lantaarn zelfs maar een klein beetje verkeerd zet, schijnt het licht op de verkeerde kamer en werkt je boodschap niet.

Vroeger was het vinden van die perfecte plek een tijdrovende klus. Onderzoekers moesten met de hand, als een detective met een vergrootglas, door duizenden foto's van het binnenste van het hoofd (MRI-scans) zoeken om te zien waar de lantaarn precies zat. Dit was niet alleen saai, maar ook foutgevoelig: twee detectives konden er soms anders over denken waar de lantaarn precies stond.

De nieuwe uitvinding: Een slimme robot-assistent

In dit artikel presenteren de onderzoekers een slimme computerprogramma dat deze klus overneemt. Je kunt dit zien als een slimme robot met superogen die automatisch door de MRI-foto's kijkt.

Hier is hoe het werkt, stap voor stap, vergeleken met alledaagse dingen:

1. Het zoeken naar de 'gladde plekken':
   De robot kijkt naar de foto's van het hoofd. De elektrode en de gel die erop zit, lijken op de foto's op heldere, witte vlekken (net als sneeuwvlokken op een donkere hemel). De robot herkent deze vlekken direct en markeert ze.

2. Het scheiden van de 'vlekken':
   Soms zitten de vlekken dicht bij elkaar. De robot is slim genoeg om te begrijpen: "Ah, dit is één grote vlek, maar het zijn eigenlijk twee aparte lantaarns." Hij snijdt ze netjes uit elkaar, alsof je twee klontjes boter van elkaar scheidt.

3. Het vinden van het hartje:
   Voor elke gescheiden vlek zoekt de robot het exacte middelpunt (het hartje). Dit punt is de coördinaat: de exacte GPS-locatie van de lantaarn op het hoofd.

4. De 'matchgame':
   Tot slot vergelijkt de robot deze gevonden plekken met de plek waar de lantaarn had moeten staan. Het is alsof je een puzzel maakt: de robot probeert de gevonden lantaarns zo snel en nauwkeurig mogelijk te koppelen aan de gewenste doelen.

Hoe goed werkt het?

De onderzoekers hebben deze robot getest op 65 verschillende mensen, met verschillende camera's (scanners) en verschillende instellingen. Ze hebben de resultaten van de robot vergeleken met die van twee menselijke experts die de foto's met de hand bekeken.

Het resultaat is verrassend:

• De robot was nauwkeuriger dan de mensen.
• De gemiddelde fout van de robot was slechts 2,4 millimeter (minder dan de dikte van een muntstuk).
• Zelfs de menselijke experts maakten gemiddeld een grotere fout (2,7 mm) en waren het onderling niet altijd eens.

Waarom is dit belangrijk?

Dit nieuwe programma is als het overnemen van een saaie, moeilijke klus door een perfecte robot. Het bespaart tijd, elimineert menselijke fouten en zorgt voor eerlijke, objectieve resultaten.

Nu kunnen onderzoekers met zekerheid zeggen: "We hebben de lantaarn op de juiste plek gezet," of "Oh, hij zat net iets verkeerd." Dit helpt hen om te begrijpen waarom een behandeling wel of niet werkt, en maakt de toekomst van hersenstimulatie veel betrouwbaarder.

Technische samenvatting

Probleemstelling

Bij studies met transcraniële directe-stroomstimulatie (tDCS) is de nauwkeurige plaatsing van de elektroden cruciaal, omdat deze bepaalt of en in welke mate het beoogde hersengebied wordt gemoduleerd. Wanneer tDCS in-scanner wordt uitgevoerd, kan de plaatsingsnauwkeurigheid worden bepaald door de coördinaten van de elektroden uit structurele MRI-scans te halen en deze te vergelijken met de beoogde posities. Eerdere studies maakten hiervoor gebruik van handmatige extractie van deze coördinaten. Deze methode is echter tijdrovend, subjectief en vatbaar voor menselijke fouten, wat de betrouwbaarheid en reproduceerbaarheid van de resultaten beperkt.

Methodologie

Het artikel presenteert een geautomatiseerd algoritme dat het proces van het extraheren van elektrodencoördinaten uit MRI-beelden volledig automatiseert. Het algoritme werkt volgens de volgende stappen:

1. Segmentatie: Het algoritme segmenteert eerst de elektroden en de elektrode-gel-blobs die zichtbaar zijn op de MRI-scans.
2. Scheiding: Vervolgens wordt deze segmentatie opgesplitst in individuele elektrode-regio's.
3. Coördinatenextractie: De coördinaten worden bepaald door de zwaartepunten (centroïden) van deze afzonderlijke regio's te berekenen.
4. Toewijzing: Om de gevonden coördinaten te koppelen aan de beoogde doelposities, wordt een lineaire toewijzing (linear assignment) toegepast.

De validatie van het algoritme vond plaats met T1-gewogen MRI-data van 65 proefpersonen. De dataset was divers en omvatte scans van verschillende scanners, met verschillende magnetische veldsterktes en beeldresoluties, en omvatte twee verschillende high-definition montage-configuraties. De prestaties van het algoritme werden vergeleken met handmatige annotaties van twee onafhankelijke menselijke lezers.

Belangrijkste Resultaten

De evaluatie leverde de volgende kwantitatieve resultaten op:

• Locatiefout algoritme: De mediaan van de localisatiefout van het algoritme bedroeg 2,4 mm (interkwartielafstand [IQR] 1,5 mm).
• Variabiliteit tussen lezers: De mediaan variabiliteit tussen de twee menselijke lezers bedroeg 2,7 mm (IQR 1,7 mm).
• Vergelijking: De afstanden tussen de door het algoritme afgeleide coördinaten en de referentie waren kleiner dan de afstanden tussen de verschillende menselijke lezers. Dit suggereert dat het algoritme consistentere resultaten oplevert dan menselijke beoordeling.

Bijdrage en Significatie

De belangrijkste bijdrage van dit werk is de ontwikkeling van een robuust algoritme dat de noodzaak voor handmatige elektrodesegmentatie overbodig maakt. Dit heeft twee belangrijke implicaties:

1. Efficiëntie en Objectiviteit: Het biedt een snelle, objectieve methode om de plaatsingsnauwkeurigheid van elektroden bij in-scanner tDCS te evalueren, waardoor de variabiliteit door menselijke fouten wordt geëlimineerd.
2. Klinische en Wetenschappelijke Toepassing: De methode maakt het mogelijk om fouten in de elektrodeplaatsing kwantitatief te relateren aan de effecten van de stimulatie. Dit kan leiden tot betere interpretatie van tDCS-studies en een nauwkeurigere correlatie tussen de fysieke plaatsing van de elektrode en de neurofysiologische uitkomsten.