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

Technische Samenvatting: Een Hiërarchische Gezicht-Hoofdhuid-Cortex Mapping voor Niet-Invasieve Neuromodulatie Targeting zonder MRI-Geleiding

Probleemstelling
Niet-invasieve neuromodulatietechnieken, zoals transcraniële magnetische stimulatie (TMS), transcraniële ultrasone stimulatie (TUS) en transcraniële fotobiomodulatie (tPBM), bieden effectieve niet-farmacologische behandelingen voor psychiatrische en neurologische stoornissen. De precisie van de targeting is echter doorgaans afhankelijk van neuronavigatiesystemen die gebaseerd zijn op individuele magnetische resonantie-imaging (MRI). Deze afhankelijkheid creëert aanzienlijke barrières: MRI-scans zijn kostbaar, tijdrovend, ontoegankelijk voor veel instellingen en oncomfortabel voor sommige patiënten. Bovendien lijden de huidige MRI-vrije alternatieven vaak aan arbeidsintensieve handmatige procedures, een afhankelijkheid van de ervaring van de operator, of een gebrek aan een gefundeerde theoretische rechtvaardiging voor het mappen van oppervlaktekenmerken naar interne hersendoelen. Er is een kritieke behoefte aan een verenigd, geautomatiseerd en verklaarbaar kader dat nauwkeurige targeting mogelijk maakt zonder MRI-geleiding.

Methodologie
De auteurs stellen een verenigd kader voor, gebaseerd op een hiërarchische gezicht-hoofdhuid-cortex mapping, geïntegreerd in een markerloos robotisch neuronavigatiesysteem. De workflow bestaat uit drie primaire stadia:

1. Gezicht-naar-Hoofdhuid Mapping (Craniale Oppervlaktereconstructie):

   • Input: Een gezichtspuntwolk verkregen via een handgehouden 3D-scanner.
   • Model: Een 3D generatieve modelleringsarchitectuur die een Variational Autoencoder (VAE) en een Diffusiemodel combineert. De VAE extraheert topologische latente representaties van gezichts- en craniale structuren, terwijl het diffusiemodel de mapping leert van de gezichtslatente ruimte naar de craniale latente ruimte.
   • Proces: Het systeem neemt de gezichtspuntwolk als conditionele input om een volledig 3D-craniaal oppervlaksmodel te genereren, waarbij het effectief de ontbrekende hoofdhuid en de posterieure hoofdregio's "invult" op basis van geleerde correlaties uit een grote dataset van 8.195 gekoppelde gezichts- en MRI-afgeleide craniale oppervlakken.
   • Privacy: De generatieve modellering wordt getraind op een cloudserver; alleen het gereconstrueerde craniale oppervlak wordt naar het lokale systeem verzonden, wat de privacy van de gezichten van patiënten beschermt.

2. Cortex-naar-Hoofdhuid Mapping (Target Lokalisatie):

   • Coördinatensysteem: De auteurs introduceren een Scalp Angle Coordinate (SAC) systeem, gedefinieerd door drie anatomische kenmerken: de nasion (Nz) en de linker/rechter pre-auriculaire punten (LPA/RPA). Dit systeem representeert hoofdhuidpunten met behulp van hoekcoördinaten ($S_\theta, S_\phi$) in plaats van geodetische afstanden.
   • Mapping Strategie: Gebruikmakend van de SLIM-dataset (292 gezonde participanten), analyseert het systeem statistisch de coördinaten van corticale targets (in MNI-ruimte) om een populatieniveau cortex-naar-hoofdhuid mapping te construeren. Deze mapping transformeert een gewenst MNI-target naar een specifieke locatie op het gegenereerde individuele craniale oppervlak.
   • Voordeel: Deze aanpak ontkoppelt de constructie van de mapping van de noodzaak voor volledige hoofdhuid ruimtelijke data, door te vertrouwen op de drie sleutelkenmerken die gemakkelijk identificeerbaar zijn op de gezichtsscan.

3. Markerloze Robotische Neuronavigatie:

   • Hardware: Een 6-DOF robotarm (UR5e) uitgerust met een TMS-applicator en een 6-assige kracht/koppel sensor, gestuurd door een stereoscopische camera.
   • Registratie: Het systeem voert een dynamische registratie uit tussen het virtuele 3D-hoofdmodel en het echte hoofd van de patiënt met behulp van AI-gedetecteerde gezichtskenmerken (bijv. midden van de ogen, neustip).
   • Optimalisatie: Om de inherente onzekerheid van AI-gebaseerde landmark detectie aan te pakken, gebruikt het systeem een dynamisch optimalisatiealgoritme dat de virtuele modelkenmerken verfijnt om registratiefouten tussen de cameraruimte en de renderingsruimte te minimaliseren.
   • Executie: De robot positioneert de applicator op het berekende target en behoudt een constante contactkracht (ongeveer 4 N) via admittance control om veiligheid en stabiliteit tijdens hoofdbewegingen te garanderen.

Belangrijkste Bijdragen

• Verenigd Kader: Het artikel overbrugt de kloof tussen geometrische oppervlaktereconstructie en oppervlakte-naar-hersenen mapping, en biedt een gefundeerde verklaring voor het schatten van intracraniële targets vanaf enkel gezichtgegevens.
• Generatieve Modellering: Het demonstreert de haalbaarheid van een op diffusie gebaseerd generatief model voor het reconstrueren van volledige craniale oppervlakken vanuit gedeeltelijke gezichtsscans, waardoor handmatige hoofdhuidmetingen overbodig worden.
• Scalp Angle Coordinate (SAC) Systeem: Een nieuw coördinatensysteem wordt voorgesteld dat cortex-naar-hoofdhuid mapping faciliteert met slechts drie anatomische kenmerken, wat de foutaccumulatie vermindert vergeleken met op geodetische afstanden gebaseerde methoden.
• Markerloze Automatisering: De integratie van dit kader in een markerloos robotisch systeem elimineert de noodzaak voor fysieke fiduciële markers, wat de opsteltijd en de afhankelijkheid van de operator vermindert.

Resultaten

• Oppervlaktereconstructie Nauwkeurigheid: In een testset van 503 MRI-gevallen bereikte het generatieve model een gemiddelde reconstructiefout van minder dan 1,05 mm voor de meeste hoofdhuidregio's, waarbij hogere fouten werden waargenomen in het occipitale gebied en nabij de oren. Consistentietesten bij drie operators toonden een hoge intra-klasse correlatie (ICC > 0,89 voor de gemiddelde afstand).
• Targeting Nauwkeurigheid (In Silico): Gebruikmakend van de SAC-gebaseerde mapping op 292 gezonde participanten, varieerde de gemiddelde scalp targeting error tussen 2,36 mm en 5,70 mm, en de corticale targeting error tussen 2,50 mm en 8,81 mm. Validatie op 18 insomnia patiënten toonde aan dat hoewel fouten licht toenamen bij scanner-gebaseerde inputs vergeleken met MRI-gebaseerde inputs, de corticale targeting errors voor sleutelregio's (M1 en DLPFC) vergelijkbaar bleven met andere datasets.
• Phantom Validatie: Op een 3D-geprinte hoofd-phantom bereikte het geoptimaliseerde markerloze navigatiesysteem een gemiddelde positionele fout van < 5 mm en een hoekfout van < 3°, waarmee het niet-geoptimaliseerde landmark methoden overtrof.
• Klinische Validatie (In Vivo): In een studie met 18 insomnia patiënten die twee weken lang werden behandeld met 1 Hz rTMS gericht op de rechter DLPFC, werden significante verbeteringen waargenomen in de slaapkwaliteit (PSQI scores daalden van 13,39 naar 8,39; ISI scores daalden van 18,56 naar 12,17). Cruciaal was dat de studie geen significante correlatie vond tussen de omvang van de targeting schattingsfouten en de therapeutische uitkomsten, wat suggereert dat de nauwkeurigheid van het kader voldoende is voor klinische effectiviteit.

Betekenis en Claims
De auteurs beweren dat dit kader een gefundeerde, verklaarbare en geautomatiseerde oplossing biedt voor MRI-vrije neuromodulatie targeting. Door gefragmenteerde anatomische correlaties te integreren in een verenigde workflow, adresseert het systeem de beperkingen van huidige handmatige methoden (lage nauwkeurigheid, hoge variabiliteit) en MRI-afhankelijke systemen (hoge kosten, lage toegankelijkheid).

Het artikel stelt dat deze aanpak:

• Klinische Barrières Verlaagt: Het maakt precisie-neuromodulatie toegankelijk voor gemeenschapshospitalen, psychiatrische klinieken en revalidatiecentra waar MRI niet beschikbaar is.
• Patiëntbelasting Vermindert: Het elimineert de noodzaak voor pre-behandeling MRI-scans en handmatige markerplaatsing, waardoor de behandelworkflow wordt verkort tot ongeveer 10–15 minuten.
• Automatisering Mogelijk Maakt: Het markerloze robotische systeem legt de basis voor toekomstige geautomatiseerde of onbemande neuromodulatie diensten.
• Haalbaarheid Demonstreert: De succesvolle behandeling van insomnia patiënten zonder MRI-geleiding valideert de klinische bruikbaarheid van het kader, wat suggereert dat de schattingsfouten binnen het acceptabele bereik van effectieve stimulatieverspreiding vallen.

De auteurs blijven bescheiden over beperkingen en erkennen dat de gekoppelde trainingsdata momenteel beperkt is, dat de lineaire mapping aanname de complexe fysieke veldverdelingen mogelijk niet perfect vastlegt, en dat de in vivo steekproefomvang klein was. Zij stellen voor dat toekomstig werk zich zal richten op het uitbreiden van datasets, het verbeteren van domeinadaptatie voor scanner-variaties, en potentieel het ontwikkelen van draagbare robotische apparaten.