Classification of Stereo-EEG Contacts in White Matter vs. Gray Matter Using Recorded Activity.
Classification of Stereo-EEG Contacts in White Matter vs. Gray Matter Using Recorded Activity.
复制标题
DOI：
10.3389/fneur.2020.605696
复制
发表时间：
2020
影响因子：
3.4
通讯作者：
Sarma SV
中科院分区：
文献类型：
--
作者：
Greene P;Li A;González-Martínez J;Sarma SV
对于需要切除手术的癫痫患者，可以使用一种称为立体脑电图（SEEG）的方式来监测患者的大脑信号，以帮助识别产生和传播癫痫发作的癫痫发病区域。SEEG包括将多个深度电极插入患者的大脑，每个电极沿其长度有10个或更多的记录触点。然而，很大一部分（≈30%或更多）的接触通常存在于白质或大脑的其他区域，这些区域本身不会引起癫痫。因此，分析SEEG记录的一个重要步骤是区分驻留在灰质中的电极接触与不驻留在灰质中的电极接触。目前这项任务使用的是覆盖CT扫描的MRI图像，但它们需要大量的时间来手动注释，即使这样，也可能难以确定某些接触者的状态。在本文中，我们提出了一种快速，自动化的方法来分类接触灰质和白质仅基于记录的信号和相对接触深度。我们观察到，在150 Hz以下的所有频率下，白质的双极参考接触比灰质接触的功率更小，我们使用贝叶斯分类器在29名患者中获得接受者工作特征曲线下的平均面积为0.85±0.079 （SD）。因为我们的方法给出了每个接触者的概率，而不是一个硬标签，并且使用了记录信号的一个特征，具有直接的临床相关性，它可以用于补充难以分类接触者的决策，或者在选择保存记录的接触者子集时作为快速的第一遍过滤器。
For epileptic patients requiring resective surgery, a modality called stereo-electroencephalography (SEEG) may be used to monitor the patient's brain signals to help identify epileptogenic regions that generate and propagate seizures. SEEG involves the insertion of multiple depth electrodes into the patient's brain, each with 10 or more recording contacts along its length. However, a significant fraction (≈ 30% or more) of the contacts typically reside in white matter or other areas of the brain which can not be epileptogenic themselves. Thus, an important step in the analysis of SEEG recordings is distinguishing between electrode contacts which reside in gray matter vs. those that do not. MRI images overlaid with CT scans are currently used for this task, but they take significant amounts of time to manually annotate, and even then it may be difficult to determine the status of some contacts. In this paper we present a fast, automated method for classifying contacts in gray vs. white matter based only on the recorded signal and relative contact depth. We observe that bipolar referenced contacts in white matter have less power in all frequencies below 150 Hz than contacts in gray matter, which we use in a Bayesian classifier to attain an average area under the receiver operating characteristic curve of 0.85 ± 0.079 (SD) across 29 patients. Because our method gives a probability for each contact rather than a hard labeling, and uses a feature of the recorded signal that has direct clinical relevance, it can be useful to supplement decision-making on difficult to classify contacts or as a rapid, first-pass filter when choosing subsets of contacts from which to save recordings.
登录
查看更多内容
影响因子：
4.3
作者：
Gramfort A;Luessi M;Larson E;Engemann DA;Strohmeier D;Brodbeck C;Goj R;Jas M;Brooks T;Parkkonen L;Hämäläinen M
通讯作者：
Hämäläinen M
影响因子：
--
作者：
Oostenveld R;Fries P;Maris E;Schoffelen JM
通讯作者：
Schoffelen JM
影响因子：
5.7
作者：
Fischl, Bruce
通讯作者：
Fischl, Bruce
影响因子：
5.6
作者：
Brodie, MJ;Shorvon, SD;Wolf, P
通讯作者：
Wolf, P
影响因子：
9.8
作者：
Holdgraf, Christopher;Appelhoff, Stefan;Hermes, Dora
通讯作者：
Hermes, Dora