Life Improvement by Future Technologies

Компьютерная нейровизуализация и МЭГ

Руководитель группы
Осадчий Алексей Евгеньевич
Учёные степени:
2023 Доктор компьютерных наук: Национальный исследовательский университет «Высшая школа экономики» (д.ф.-м.н. ВАК)
2003 PhD: Университет Южной Калифорнии, специальность 01.00.00 «Физико-математические науки» и 03.03.06 «Нейробиология», тема диссертации: Автоматическое неинвазивное обнаружение и анализ взаимодействия эпилептогенных зон на основании МЭГ и ЭЭГ измерений

Образование:
1997 Специалитет: Московский государственный технический университет им. Н.Э. Баумана, специальность «Автономные информационные и управляющие системы», квалификация «инженер-радиотехник»
Участники научной группы

Кошев Николай Александрович

Буторина Анна Валерьевна

Шевцов Олег Игоревич

Медведева Дарья Алексеевна

Компьютерная нейровизуализация и МЭГ

Проект направлен на разработку методов компьютерной нейровизуализации с использованием данных магнитоэнцефалографии (МЭГ). Группа применяет технологии машинного обучения и биоинформатики для анализа данных о мозговой активности и создания моделей, помогающих диагностировать неврологические заболевания. Разработанное программное обеспечение обеспечивает визуализацию и обработку данных, что позволяет исследователям проводить глубинный анализ нейронной активности. ИТ-направления: разработка ПО для анализа данных нейровизуализации, машинное обучение для обработки МЭГ-сигналов, создание баз данных для хранения результатов исследований. Деятельность междисциплинарной группы направлена на комплексную разработку нового поколения систем неинвазивного нейрокартирования на основе принципа магнитоэнцефалографии (МЭГ) с использованием новых высокочувствительных и носимых сенсоров магнитного поля. Исследуются применения сенсоров двух типов: атомных магнитометров с оптической накачкой и твердотельных магнитометров на основе пленок железо-иттриевого граната. Рассматриваются задачи как экспериментального характера, так и теоретического. В основе работы группы такие области науки как экспериментальная и теоретическая физика, математическая физика и математическое моделирование, математическая статистика, нейробиология и нейрофизиология. Помимо разработки компонент, обеспечивающих базовую функциональность МЭГ системы создаются новые математические методы анализа многомерных МЭГ сигналов для ряда клинических и исследовательских применений.

Что такое МЭГ?

Функциональное изучение мозга требует развития инструментов для регистрации нейронной активности. Электрические токи, возникающие в нейронах, имеют химическую природу, что делает возможным использование таких методов, как функциональная магнитно-резонансная томография. Кроме того, сами токи генерируют слабые электрические и магнитные поля, которые, при наличии соответствующего оборудования, можно зарегистрировать неинвазивно, вне объема головы. В фокусе нашего внимания находится метод магнитоэнцефалографии: метод, позволяющий анализировать нейронную электрическую активность на основе регистрации генерируемых ей магнитных полей.

Являясь прямым методом регистрации электрической активности, МЭГ предоставляет высокое временное разрешение (около 1 мс). Кроме того, прозрачность биологических тканей для магнитных полей позволяет получить и высокое пространственное разрешение, подкрепленное высокой чувствительностью к высоким частотам. Сочетая высокие временное и пространственное разрешения с чувствительностью к высокочастотным сигналам, МЭГ по праву является мощнейшим неинвазивным методом нейровизуализации.

Несмотря на все преимущества, МЭГ был и остается малопопулярным методом. Связано это с тем, что традиционно МЭГ использует сверхпроводниковые квантовые интерферометры (СКВИД) в качестве высокочувствительных магнитометров. Работа последних основана на явлении низкотемпературной сверхпроводимости, что накладывает ряд ограничений на использование МЭГ, обусловленных необходимостью поддерживать сенсоры в состоянии сверхпроводимости в толстостенном сосуде Дьюара с жидким гелием. Недостатком таких дорогих и немобильных систем является большая удаленность сенсоров от мозга, что существенно снижает соотношение сигнал-шум в измеряемых данных. Кроме того, такие системы требуют использования крайне дорогого расходного материала — жидкого гелия, который используется для охлаждения сенсоров и поддержания Джозефсоновских контактов в рабочем состоянии.

В последнюю декаду, однако, появляются новые типы высокочувствительных сенсоров, применимых для МЭГ. Речь идет о магнитометрах с оптической накачкой (МОН или OPM) и твердотельных магнитометрах на основе пленок железо-иттриевого граната (ЖИГМ или YIGM). Эти сенсоры работают при комнатных температурах, являются компактными и не требуют охлаждения жидким гелием, что снимает существенную часть ограничений МЭГ как метода и потенциально может сделать МЭГ более надежным и менее дорогим инструментом, сохраняя при этом все его преимущества. Работа нашей группы во многом посвящена разработке систем МЭГ на основе указанных видов сенсоров.

Рисунок 1. Методы неинвазивной нейровизуализации и их свойства пространственного и временного разрешения. Как видно из этой диаграммы, МЭГ обладает наиболее выигрышной комбинацией пространственной и временной точности из всех неинвазивных модальностей. Использование носимых МЭГ сенсоров позволит повысить точностные свойства магнитоэнцефалографии.

 

Разработка новых систем МЭГ

Деятельность группы является мультидисциплинарной и направлена на разработку новых методик нейровизуализации как в части математическо-алгоритмического обеспечения, так и в аппаратной части. В частности, одним из основных направлений работ группы является разработка новых систем магнитоэнцефалографии (МЭГ) с применением инновационных высокочувствительных магнитных сенсоров: атомных магнитометров с оптической накачкой (МОН) и твердотельных магнитометров на основе пленок железо-иттриевого граната (ЖИГМ).

Рисунок 2. Схема разработки новых систем МЭГ.

Построение новых систем магнитоэнцефалографии подразумевает работу в следующих направлениях:

  • разработка сенсоров и объединение их в решетки сенсоров;
  • разработка экспериментальных парадигм работы с сенсорами и системами сенсоров;
  • исследование особенностей сигнала сенсоров и разработку алгоритмов предобработки данных, получаемых с их использованием;
  • исследование и разработка парадигмы экспериментальной валидации разработанной системы МЭГ и оценки ее эффективности.

Стоит отметить, что указанные направления тесно связаны друг с другом, и результаты, полученные в работах по одному направлению могут и будут использоваться при работе над прочими.

Работа по созданию новых типов устройств МЭГ начинается с работы над корневым элементом любой системы МЭГ: сенсора магнитного поля. На данный момент нами представлены два типа таких сенсоров: МОН и ЖИГМ. Применимость каждого из этих сенсоров в контексте МЭГ была показана нами ранее (см [Petrenko et. al, 2021], [Koshev et. al, 2021]), что является нулевым шагом, предтечей разработки системы МЭГ. Следующим шагом является разработка уже не сенсора, но системы сенсоров, которая также может привести к новому этапу доработки самих сенсоров. Разработка системы сенсоров производится с применением методов математической физики — моделирования сигнала сенсорных систем с учетом свойств сенсоров, и включает в себя как базовые исследования в области эффективности сенсорных систем, так и задачно-ориентированную оптимизацию положений и ориентаций чувствительных осей сенсоров. Примером базового исследования эффективности является разработка метрик эффективности сенсорных систем для определения главного направления дальнейшей разработки сенсора: увеличение чувствительности, минимизация собственного шума или уменьшение размера с целью расположения большего количества сенсоров в ограниченном объеме для регистрации более подробного сигнала. Второе исследование — задачно-ориентированная оптимизация сенсорных систем, — базируется на разработанных метриках оценки эффективности системы на основе теории информации и статистических методов обработки данных (таких, как отношение сигнала к шуму или чувствительность к источникам в той или иной области мозга, оценки Крамера-Рао для дисперсии положения локализованного источника и т.п.).

Рисунок 3. Исследование эффективности сенсорных систем в зависимости от количества, ориентаций и положений сенсоров OPM и YIGM.

Разработка экспериментальной парадигмы работы с новыми типами сенсоров включает в себя как исследование применимости сенсоров в различных условиях, исследование необходимой для работы сенсоров инфраструктуры, такой, например, как создание катушек активного подавления фоновых магнитных полей и/или магнитных экранов, взаимного расположения сенсоров относительно друг друга для минимизации эффекта взаимовлияния и магнитных помех. Кроме того, сенсорам, разумеется, требуется некоторая калибровка или градуировка, также входящая в задачи разработки экспериментальной парадигмы.

Каждый из разрабатываемых сенсоров имеет свои особенности, ведущие к некоторым, очевидным или скрытым, различиям в регистрируемом ими сигнале. К очевидным различиям можно отнести, например, различия, определяемые геометрией сенсоров и ориентацией их чувствительных осей относительно головы, а также платами сбора и записи регистрируемого сигнала. Примером менее очевидных различий является, например, неприменимость стандартных алгоритмов фильтрации сигнала от внешних помех (например, фильтра Максвелла, [Taulu et. al, 2005]) к системам с небольшим количеством сенсоров, что заставляет либо улучшать свойства магнитных экранов и систем активного шумоподавления, либо разрабатывать новые алгоритмы предобработки и фильтрации данных.

 

Решение обратной задачи МЭГ и оценка функциональной связности

Для формирования карты активности на коре головного мозга по сигналам сенсоров используются методы решения обратной задачи. Еще одним крайне важным направлением работы группы является исследование в области алгоритмов решения обратной задачи МЭГ — локализации электрических источников в коре головного мозга, а также подходов к обнаружению функциональных сетей.
Обе эти задачи лишены уникального математического решения и требуют использования дополнительной априорной информации для достижения точности и достоверности результатов. На Рисунке показан пример работы нового алгоритма GALA при решении обратной задачи, использующего априорное предположение о слабом сходстве (weak similarity) активности мозга между испытуемыми.

 

Рисунок 4. Повышение качества решения обратной задачи МЭГ за счет использования алгоритма GALA (Group analysis leads to accuracy ) [7].

Дополнительно, в контексте анализа активности корковых источников, важной является оценка функциональной связности между ними, определяемая постоянством фазовых задержек в синхронной активности нейрональных популяций.

Рисунок 5. Используя аллегорию активности нейрональных ансамблей, как исполнителей музыкальной мелодии, задачу поиска функциональных сетей можно описать как задачу поиска пар певцов, синхронно исполняющих одинаковые мелодии.

Один из инновационных методов в данной области – метод PSIICOS (Phase shift invariant imaging of coherent sources), разработанный Центром биоэлектрических интерфейсов НИУ ВШЭ, с которым тесно сотрудничает LIFT в рамках проекта МЭГ. Этот метод специально предназначен для оценки функциональной связности вне зависимости от фазовых задержек между ритмической активностью нейрональных популяций. Метод PSIICOS позволяет подавлять артефакты объемной проводимости и впервые обеспечил доступ к картированию функциональных сетей с синфазной активностью, которые регулярно заявляют о себе в инвазивных измерениях, но оставались недоступными для неинвазивных методов нейрокартирования. В музыкальной аллегории, представленной на Рисунке выше PSIICOS проекция позволяет подавить активность одиночных исполнителей и подчеркнуть относительную громкость мелодии, исполняемой несколькими певцами синхронно.

Рисунок 6. Влияние PSIICOS-проекции на характеристики топографий прямой модели. Можно видеть, что в результате применения PSIICOS проекции мощность компоненты объемной проводимости (желтое облако) существенно сокращается по сравнению компонентой, описывающей синфазные функциональные связи (синее облако) [8].
Недавно мы продемонстрировали и строго доказали оптимальность проекции PSIICOS в контексте подавления артефакта объемной проводимости, являющегося основной преградой для задач исследования функционального коннектома.

 

Многоканальная магнитоэнцефалография на основе магнитометров с оптической накачкой

LIFT совместно с Центром биоэлектрических интерфейсов ВШЭ разрабатывает альтернативную систему МЭГ на базе OPM-сенсоров, работающих на принципе оптической накачки. Такие сенсоры обладают компактным корпусом и могут быть установлены на обычных ЭЭГ-шапках, обеспечивая свободу движений и более точную локализацию источников в сравнении с широко-использующимися SQUID-системами.
В рамках проекта была успешно продемонстрирована запись функциональных ритмов головного мозга, таких как затылочный альфа ритм и сенсомоторный ритм в том числе и в парадигме идеомоторного нейроинтерфейса. Сенсоры с оптической накачкой, размещаемые в непосредственной близости к скальпу, обеспечивают высокую пространственную и временную разрешающую способность. В режиме декодирования моторного воображения OPM-сенсоры продемонстрировали высокую точность распознавания состояния моторного воображения даже при помощи одного OPM-сенсора.

 

Рисунок 7. МЭГ-аппарат Elekta-Neuromag со SQUID сенсорами (слева), QuSpin-сенсоры, пример их монтажа на ЭЭГ-шапку и запись с испытуемого, прототип МЭГ-сенсора (справа).

 

Магнитоэнцефалография с использованием твердотельных феррозондовых YIG-магнитометров.

Еще одним решением для создания новых МЭГ-систем являются представленные ранее командой твердотельные магнитометры на основе пленок железо-иттриевого граната (YIGM). Магнитометры YIGM наследуют принцип работы феррозондовых магнитометров. Работая при комнатной температуре, обладая широким динамическим диапазоном и выделяя крайне невысокое количество тепла, эти сенсоры представляют собой альтернативу как для магнитометров с оптической накачкой, так и для конвенциональных SQUID-магнитометров. В 2021 г. была экспериментально доказана применимость сенсоров YIGM в контексте МЭГ. Была исследована чувствительность YIGM, составившая около 35 fT/√Hz. Для доказательства применимости сенсора YIGM в МЭГ была проведена регистрация с его помощью затылочного альфа-ритма головного мозга. Сравнительный анализ сигнала, порожденного альфа-ритмом и зарегистрированного при помощи SQUID и OPM показал сравнимую или более высокую мощность сигнала при регистрации YIGM.

 

Рисунок 8. Эксперимент по регистрации затылочного альфа-ритма при помощи магнитометра YIGM [6].

Публикации

Публикации (с аффилиацией LIFT)

A. Ossadtchi, I. Semenkov, A. Zhuravleva, O. Serikov, E. Voloshina. Representational dissimilarity component analysis (ReDisCA). NeuroImage, 2024,    https://www.sciencedirect.com/science/article/pii/S1053811924003653

Altukhov, D., Kleeva D., and Ossadtchi, A., «PSIICOS projection optimality for EEG and MEG based functional coupling detection.» NeuroImage, 280 (2023): 120333,   https://www.sciencedirect.com/science/article/pii/S1053811923004846

Koshev, N., Kapralov, P., Evstigneeva, S., Lutsenko, O., Shilina, P., Zharkov, M., … & Vetoshko, P. (2023). Yttrium-iron garnet film magnetometer for registration of magnetic nano-and submicron particles: In vitro and in vivo studies. IEEE Transactions on Biomedical Engineering, https://ieeexplore.ieee.org/document/10197157

 

Литература

4. Taulu, S., Simola, J., & Kajola, M. (2005). Applications of the signal space separation method. IEEE transactions on signal processing, 53(9), 3359-3372.

5. Petrenko, M. V., Dmitriev, S. P., Pazgalev, A. S., Ossadtchi, A. E., & Vershovskii, A. K. (2021). Towards the non-zero field cesium magnetic sensor array for magnetoencephalography. IEEE Sensors Journal, 21(17), 18626-18632.

6. Koshev, N., Butorina, A., Skidchenko, E., Kuzmichev, A., Ossadtchi, A., Ostras, M., … & Vetoshko, P. (2021). Evolution of MEG: A first MEG‐feasible fluxgate magnetometer. Human Brain Mapping, 42(15), 4844-4856.

7. Kozunov, V. V., & Ossadtchi, A. (2015). GALA: group analysis leads to accuracy, a novel approach for solving the inverse problem in exploratory analysis of group MEG recordings. Frontiers in Neuroscience, 9, 107.

8. Ossadtchi, A., Altukhov, D., Jerbi, K. (2018). Phase shift invariant imaging of coherent sources (PSIICOS) from MEG data. NeuroImage , 183 , 950-971.

9. Altukhov D., Kleeva D., Ossadtchi A.(2023). PSIICOS projection optimality for EEG and MEG based functional coupling detection. Neuroimage, Vol. 280. Article 120333.

10. Kuznetsova, A., Nurislamova, Y., & Ossadtchi, A. (2021). Modified covariance beamformer for solving MEG inverse problem in the environment with correlated sources. Neuroimage, 228, 117677