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

Resumo Técnico: Um Mapeamento Hierárquico Face-Couro Cabeludo-Córtex para Neuromodulação Não Invasiva Direcionada Sem Orientação por RM

Definição do Problema
Técnicas de neuromodulação não invasivas, como a estimulação magnética transcraniana (EMT), a estimulação ultrassônica transcraniana (TUS) e a fotobiomodulação transcraniana (tPBM), oferecem tratamentos não farmacológicos eficazes para transtornos psiquiátricos e neurológicos. No entanto, o direcionamento preciso depende tipicamente de sistemas de neuronavegação dependentes de ressonância magnética (RM) individual. Essa dependência cria barreiras significativas: exames de RM são caros, demorados, inacessíveis para muitas instituições e desconfortáveis para alguns pacientes. Além disso, as alternativas atuais livres de RM sofrem com procedimentos manuais laboriosos, dependência da experiência do operador ou falta de uma justificativa teórica fundamentada para o mapeamento de marcos superficiais para alvos cerebrais internos. Há uma necessidade crítica de um framework unificado, automatizado e explicável que permita o direcionamento preciso sem orientação por RM.

Metodologia
Os autores propõem um framework unificado baseado em um mapeamento hierárquico face-couro cabeludo-córtex, integrado a um sistema de neuronavegação robótica sem marcadores. O fluxo de trabalho consiste em três estágios primários:

1. Mapeamento Face-para-Couro Cabeludo (Reconstrução da Superfície Craniana):

   • Entrada: Uma nuvem de pontos facial adquirida por um scanner 3D portátil.
   • Modelo: Uma arquitetura de modelagem generativa 3D combinando um Autoencoder Variacional (VAE) e um Modelo de Difusão. O VAE extrai representações latentes topológicas das estruturas faciais e cranianas, enquanto o modelo de difusão aprende o mapeamento do espaço latente facial para o espaço latente craniano.
   • Processo: O sistema utiliza a nuvem de pontos facial como entrada condicional para gerar um modelo de superfície craniana completo, efetivamente "preenchendo" as regiões ausentes do couro cabeludo e da parte posterior da cabeça com base em correlações aprendidas de um grande conjunto de dados de 8.195 superfícies pareadas de face e superfícies cranianas derivadas de RM.
   • Privacidade: A modelagem generativa é treinada em um servidor na nuvem; apenas a superfície craniana reconstruída é transmitida de volta ao sistema local, protegendo a privacidade facial do paciente.

2. Córtex-para-Couro Cabeludo (Localização do Alvo):

   • Sistema de Coordenadas: Os autores introduzem um sistema de Coordenadas de Ângulo do Couro Cabeludo (SAC), definido por três marcos anatômicos: o násio (Nz) e os pontos preauriculares esquerdo/direito (LPA/RPA). Este sistema representa pontos do couro cabeludo usando coordenadas angulares ($S_\theta, S_\phi$) em vez de distâncias geodésicas.
   • Estratégia de Mapeamento: Utilizando o conjunto de dados SLIM (292 participantes saudáveis), o sistema analisa estatisticamente as coordenadas dos alvos corticais (no espaço MNI) para construir um mapeamento córtex-para-couro cabeludo em nível populacional. Este mapeamento transforma um alvo MNI desejado em uma localização específica na superfície craniana individual gerada.
   • Vantagem: Esta abordagem desacopla a construção do mapeamento da necessidade de dados espaciais completos do couro cabeludo, baseando-se apenas nos três marcos principais que são facilmente identificáveis na varredura facial.

3. Neuronavegação Robótica Sem Marcadores:

   • Hardware: Um braço robótico de 6 graus de liberdade (6-DOF) (UR5e) equipado com um aplicador de TMS e um sensor de força/torque de 6 eixos, guiado por uma câmera de visão estéreo.
   • Registro: O sistema realiza o registro dinâmico entre o modelo 3D virtual da cabeça e a cabeça real do paciente usando marcos faciais detectados por IA (ex: pontos médios dos olhos, ponta do nariz).
   • Otimização: Para lidar com a incerteza inerente à detecção de marcos baseada em IA, o sistema emprega um algoritmo de otimização dinâmica que refina os marcos do modelo virtual para minimizar os erros de registro entre o espaço da câmera e o espaço de renderização.
   • Execução: O robô posiciona o aplicador no alvo calculado e mantém uma força de contato constante (aprox. 4 N) via controle de admitância para garantir segurança e estabilidade durante o movimento da cabeça.

Principais Contribuições

• Framework Unificado: O artigo une a reconstrução de superfície geométrica ao mapeamento superfície-cérebro, fornecendo uma explicação fundamentada para estimar alvos intracranianos a partir de dados faciais isolados.
• Modelagem Generativa: Demonstra a viabilidade de um modelo generativo baseado em difusão para reconstruir superfícies cranianas completas a partir de varreduras faciais parciais, eliminando a necessidade de medições manuais do couro cabeludo.
• Sistema de Coordenadas de Ângulo do Couro Cabeludo (SAC): Um novo sistema de coordenadas é proposto para facilitar o mapeamento córtex-para-couro cabeludo usando apenas três marcos anatômicos, reduzindo a acumulação de erro em comparação com métodos baseados em geodésicas.
• Automação Sem Marcadores: A integração deste framework em um sistema de navegação robótica sem marcadores elimina a necessidade de marcadores físicos (fiduciais), reduzindo o tempo de configuração e a dependência do operador.

Resultos

• Precisão da Reconstrução de Superfície: Em um conjunto de teste de 503 casos de RM, o modelo generativo alcançou um erro médio de reconstrução inferior a 1,05 mm na maioria das regiões do couro cabeludo, com erros maiores observados na área occipital e próximo às orelhas. Testes de consistência entre três operadores mostraram alta correlação intra-classe (ICC > 0,89 para distância média).
• Precisão de Direcionamento (In Silico): Usando o mapeamento baseado em SAC em 292 participantes saudáveis, o erro médio de direcionamento do couro cabeludo variou de 2,36 mm a 5,70 mm, e o erro de direcionamento cortical variou de 2,50 mm a 8,81 mm. A validação em 18 pacientes com insônia mostrou que, embora os erros tenham aumentado ligeiramente com entradas baseadas em scanner em comparação com entradas baseadas em RM, os erros de direcionamento cortical para regiões chave (M1 e DLPFC) permaneceram comparáveis a outros conjuntos de dados.
• Validação em Fantoma: Em um fantoma de cabeça impresso em 3D, o sistema de navegação sem marcadores otimizado alcançou um erro de posição médio de < 5 mm e um erro angular de < 3°, superando métodos de marcação não otimizados.
• Validação Clínica (In Vivo): Em um estudo com 18 pacientes com insônia tratados com rTMS de 1 Hz visando o DLPFC direito durante duas semanas, observaram-se melhorias significativas na qualidade do sono (escores PSQI diminuíram de 13,39 para 8,39; escores ISI diminuíram de 18,56 para 12,17). Crucialmente, o estudo descobriu que não houve correlação significativa entre a magnitude dos erros de estimativa de direcionamento e os resultados terapêuticos, sugerindo que a precisão do framework é suficiente para a eficácia clínica.

Significância e Alegações
Os autores afirmam que este framework oferece uma solução fundamentada, explicável e automatizada para o direcionamento de neuromodulação livre de RM. Ao integrar correlações anatômicas fragmentadas em um fluxo de trabalho unificado, o sistema aborda as limitações dos métodos manuais atuais (baixa precisão, alta variabilidade) e dos sistemas dependentes de RM (alto custo, baixa acessibilidade).

O artigo postula que esta abordagem:

• Reduz Barreiras Clínicas: Torna a neuromodulação precisa acessível a hospitais comunitários, clínicas psiquiátricas e centros de reabilitação onde a RM não está disponível.
• Reduz o Fardo do Paciente: Elimina a necessidade de exames de RM pré-tratamento e colocação manual de marcadores, encurtando o fluxo de trabalho de tratamento para aproximadamente 10–15 minutos.
• Permite a Automação: O sistema robótico sem marcadores pavimenta o caminho para futuros serviços de neuromodulação automatizados ou não supervisionados.
• Demonstra Viabilidade: O tratamento bem-sucedido de pacientes com insônia sem orientação por RM valida a utilidade clínica do framework, sugerindo que os erros de estimação estão dentro da faixa aceitável de dispersão de estimulação eficaz.

Os autores mantêm-se modestos quanto às limitações, reconhecendo que os dados de treinamento pareados são atualmente limitados, que a suposição de mapeamento linear pode não capturar perfeitamente as complexas distribuições de campos físicos, e que o tamanho da amostra in vivo foi pequeno. Eles sugerem que o trabalho futuro se concentrará na expansão dos conjuntos de dados, na melhoria da adaptação de domínio para variações de scanners e, potencialmente, no desenvolvimento de dispositivos robóticos vestíveis.