Étendre l’application clinique de l’OPM-MEG : une méthode efficace pour supprimer automatiquement les artefacts métalliques des appareils orthodontiques

Introduction

La magnétoencéphalographie (MEG) est une technologie permettant de reconstruire la distribution des courants neuronaux et les réseaux fonctionnels du cerveau via des capteurs de champ magnétique multicanaux. La MEG a un avantage significatif en termes de résolution spatiale par rapport à l’électroencéphalographie (EEG) et ses signaux magnétiques ne sont pas perturbés par la conduction à travers le crâne et le cuir chevelu. De plus, elle offre une meilleure résolution temporelle que l’imagerie par résonance magnétique fonctionnelle (IRMf). Par conséquent, la MEG est cruciale pour étudier les fonctions cérébrales et la cognition, l’application clinique de l’épilepsie et les recherches sur les maladies neurologiques.

Actuellement, les mesures MEG dépendent principalement de deux types d’équipements : les dispositifs commerciaux de magnétomètre supraconducteur (SQUID) et les magnétomètres à pompage optique portables (Optically Pumped Magnetometer, OPM). Cependant, les dispositifs SQUID sont coûteux, volumineux et nécessitent un refroidissement à l’hélium liquide, ce qui entraîne des coûts d’exploitation élevés. En revanche, les dispositifs OPM sont portables, portatifs et peuvent être placés près du cuir chevelu, répondant ainsi aux besoins des applications cliniques futures et de la recherche en neurosciences.

Cependant, en pratique clinique, de nombreux patients utilisent des implants métalliques pour leur traitement, tels que des stimulateurs du nerf vague pour traiter l’épilepsie, des stimulateurs cardiaques pour les maladies cardiaques, et des matériaux magnétiques pour les maladies dentaires. Ces matériaux métalliques interfèrent fortement avec les enregistrements MEG, et trouver une méthode efficace pour supprimer ces artefacts représente un défi important.

Cette étude analyse pour la première fois de manière exhaustive les caractéristiques temporelles, fréquentielles et temps-fréquence des artefacts métalliques, en se concentrant sur les artefacts des appareils orthodontiques. Nous identifions la modulation de ces artefacts par la respiration et les mouvements de la tête, ainsi que leur distribution sub-gaussienne et leur forte puissance absolue dans la bande de fréquences 0,5-8 Hz. Les algorithmes actuels de suppression des artefacts métalliques sont limités avec les dispositifs MEG-SQUID traditionnels. En réponse à ce problème, cette étude propose un algorithme de séparation des sources aveugles de second ordre (SOBI) qui utilise des retards temporels multiples pour séparer les composantes du signal mesurées par OPM-MEG, et développe indépendamment une méthode automatique de filtrage des composantes des artefacts.

Origine de l’article

Cet article est rédigé par Ruonan Wang, Kaiwen Fu, Ruochen Zhao, Dawei Wang, Zhimin Yang, Wei Bin, Yang Gao, et Xiaolin Ning, provenant d’institutions telles que l’École de précision des instruments et d’ingénieurie optoélectronique de l’Université Beihang, le Département de radiologie de l’Hôpital Qilu de l’Université de Shandong, et le Second Hôpital affilié de l’Université de Médecine Chinoise de Guangzhou. L’article a été publié en 2024 dans les revues « NeuroImage » et « ScienceDirect ».

Processus de recherche

Détails du processus de recherche

1. Analyse des caractéristiques des artefacts: a. Sujets expérimentaux : Sélection de quatre sujets portant des appareils orthodontiques, mesure des artefacts métalliques induits par la respiration et les mouvements de la tête. b. Équipement de test : Utilisation de la deuxième génération d’appareils de magnétomètre à pompage optique (QZFM Gen-2 OPM), avec 33 canaux de collecte de données pour les mesures. c. Analyse des caractéristiques : Analyse temporelle, fréquentielle et temps-fréquence des données obtenues, identification de la bande de fréquences principale des artefacts métalliques (0,5-8 Hz) et de leur distribution sub-gaussienne.

2. Mise en œuvre de l’algorithme: a. Méthode de séparation des sources aveugles de second ordre (SOBI) : Introduction de paramètres de retard temporel multiple, prétraitement des signaux (soustraction de la moyenne et dé-corrélation spatiale), calcul des matrices de corrélation retardée, et utilisation de la méthode SOBI pour la séparation des signaux. b. Reconnaissance automatique des artefacts : Utilisation du rapport de puissance absolue élevée dans les basses fréquences, de la valeur quadratique moyenne (RMS) et des méthodes d’information mutuelle pour identifier et éliminer automatiquement les composantes des artefacts.

3. Expériences de simulation: a. Données de simulation en état de repos : Génération de données MEG simulées avec des interférences d’artefacts via une régression linéaire, comparaison de quatre algorithmes : SOBI, FastICA, Infomax et AMUSE. b. Simulation des signaux induits : Simulation de signaux liés à des événements, ajout de données d’interférences d’artefacts métalliques, calcul des erreurs quadratiques moyennes (RMSE) et du rapport signal/bruit (SNR) pour évaluer la performance des algorithmes.

4. Tests pratiques: a. Expérience d’induction auditive : Mise en place d’une expérience de stimulation sonore pure, traitement des données MEG contenant des artefacts métalliques avec les quatre algorithmes mentionnés, calcul du SNR et de la précision de la localisation des sources.

Analyse des données et résultats

1. Analyse des expériences en état de repos:

   • Indicateurs d’évaluation : Utilisation de l’erreur quadratique moyenne normalisée (NMSE) et de l’erreur de puissance électrique normalisée en bande Delta (▽δ) pour évaluer l’efficacité de la suppression des artefacts.
   • Résultats : Dans les données de tous les sujets, la méthode proposée obtient les meilleurs résultats en termes d’indicateurs NMSE et ▽δ, supprime significativement les interférences des artefacts métalliques et reconstruit le mieux les amplitudes des signaux sources.

2. Résultats des expériences d’induction:

   • Indicateurs d’évaluation : Utilisation de l’erreur quadratique moyenne (RMSE) et du rapport signal/bruit (SNR) pour évaluer l’efficacité de la suppression des artefacts, calcul de l’exactitude des signaux simulés induits.
   • Résultats : La méthode de séparation et de reconnaissance SOBI proposée montre des performances excellentes dans la suppression des artefacts, avec une distorsion minimale des amplitudes des signaux simulés induits et un rapport SNR élevé.

3. Résultats des tests pratiques MEG-OPM d’induction auditive:

   • Reconnaissance et suppression des artefacts : La méthode proposée permet une séparation et une reconnaissance précises des artefacts métalliques, confirmée par l’analyse de l’information mutuelle et spectrale.
   • Résultats expérimentaux : La méthode proposée améliore significativement le rapport signal/bruit des signaux liés aux événements, notamment pour les réponses du composant N100.

Conclusions et perspectives

Cette étude utilise des dispositifs de magnétomètre à pompage optique (OPM) pour analyser de manière exhaustive les caractéristiques des artefacts métalliques des appareils orthodontiques et propose un algorithme de séparation et de reconnaissance SOBI qui identifie automatiquement les composantes des artefacts, permettant de les supprimer efficacement. Ceci rend les dispositifs OPM-MEG plus applicables en clinique.

Points forts et significations de la recherche

• Innovation : Analyse approfondie des artefacts métalliques dans les dispositifs OPM pour la première fois, proposition d’une méthode de suppression basée sur la séparation des sources aveugles de second ordre (SOBI) et la reconnaissance automatique.
• Utilité : Cette méthode a un effet inhibiteur significatif sur les artefacts causés par les appareils orthodontiques, améliorant la qualité des données et les perspectives d’application clinique des dispositifs OPM-MEG.
• Perspectives : Avec la miniaturisation des dispositifs OPM et l’augmentation du nombre de capteurs, l’intégration future de l’algorithme de filtrage spatial ou des techniques d’apprentissage profond pourrait encore améliorer l’identification et la suppression des artefacts.