Methodenartikel

Neuroimaging-gesteuertes TMS-EEG für die Echtzeit-Kartierung kortikaler Netzwerke

DOI:

10.3791/67339

⸱

13. Juni 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Neuroscience and Biomedical Engineering, Aalto University School of Science, 2Hertie-Insitute for Clinical Brain Research, University of Tübingen, 3Department of Neurology and Stroke, University of Tübingen, 4A.I. Virtanen Institute for Molecular Sciences, University of Eastern Finland, 5Division of Psychology, VISE, Faculty of Education and Psychology, University of Oulu, 6Neuroscience Center, Helsinki Institute of Life Science, University of Helsinki, 7BioMag Laboratory, HUS Medical Imaging Center, Aalto University, University of Helsinki and Helsinki University Hospital, 8Cognitive Brain Research Unit, Department of Psychology and Logopedics, Faculty of Medicine, University of Helsinki

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ein neuartiges Protokoll für die personalisierte transkranielle Magnetstimulation in Kombination mit der Elektroenzephalographie (TMS-EEG) Kartierung kortikaler Netzwerke, das auf mehreren Datenmodalitäten der Magnetresonanztomographie (MRT) basiert.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Großhirnrinde ist in strukturell und funktionell getrennten Netzwerken organisiert, die es dem menschlichen Gehirn ermöglichen, Informationen hocheffizient zu verarbeiten. Die transkranielle Magnetstimulation (TMS) bietet in Kombination mit der Elektroenzephalographie (EEG) einen nicht-invasiven Ansatz zur Untersuchung von Gehirnnetzwerken, der die kortikale Erregbarkeit und kausale Konnektivität aufdeckt. Diese Methode steht jedoch vor zwei wesentlichen Herausforderungen: (a) die Sicherstellung der Qualität der TMS-evozierten Potentiale (TEPs) zur Maximierung des Informationsgewinns, was oft ein umfassendes kortikales Mapping erfordert, und (b) die Auslösung der Reaktion aus dem interessierenden Netzwerk und nicht von benachbarten kortikalen Stellen.

Bestehende TMS-Targeting-Ansätze sind häufig nicht in der Lage, funktionell relevante kortikale Areale präzise zu stimulieren, was die Wirksamkeit der Behandlung und die Identifizierung von Biomarkern behindert. Das vorgestellte Protokoll integriert ein präzises kortikales Mapping, um artefaktfreie TEPs zu erfassen und so zuverlässige und reproduzierbare Messungen früher TEP-Komponenten zu ermöglichen. Diese Präzision verbessert die Empfindlichkeit gegenüber subtilen neurophysiologischen Variationen und stärkt die Korrelationen mit klinischen Phänotypen, wodurch die Entdeckung von Biomarkern bei neuropsychiatrischen Erkrankungen unterstützt wird.

Das vorgeschlagene Protokoll nutzt strukturelle, funktionelle und diffusionsbezogene Magnetresonanztomographie (MRT), um kortikale Flecken zu identifizieren, die zum interessierenden Netzwerk gehören. Anatomische Parzellierung, funktionelle Konnektivität und Echtzeit-Traktographie werden angewendet, um Bereiche mit starker Konnektivität zu anderen Gehirnregionen, die mit dem Zielnetzwerk verbunden sind, zu lokalisieren. Die resultierenden personalisierten kortikalen Cluster definieren die anfänglichen Stimulationsziele.

TMS-EEG-Mapping wird dann eingesetzt, um TMS-Parameter zu optimieren, indem kortikale Areale mit hoher Erregbarkeit lokalisiert werden, die Stärke der neuronalen Reaktion erhöht und gleichzeitig nicht-neuronales Rauschen reduziert wird, einschließlich Muskelartefakten, Zerfall und anderen Störfaktoren, die frühe TMS-EEG-Reaktionen beeinflussen. Es wird eine systematische Erkundung des kortikalen Mantels durchgeführt, bei der Ort, Ausrichtung und Intensität der Stimulation angepasst werden, mit kontinuierlicher Überwachung der Datenqualität durch Echtzeit-Visualisierung der gemittelten TEPs. Für die Datenerfassung werden TMS-Parameter ausgewählt, die artefaktfreie Reaktionen mit klar erkennbaren frühen TEP-Komponenten erzeugen.

In diesem Artikel wird die Neuroimaging-gesteuerte TMS-EEG-Mapping-Technik vorgestellt und die methodischen Fortschritte und Vorteile hervorgehoben, die durch ihre Anwendung erzielt werden können.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das menschliche Gehirn zeichnet sich durch ausgeprägte großräumige strukturelle und funktionelle Netzwerke aus. Die komplizierten Wechselwirkungen innerhalb und zwischen den Netzwerken ermöglichen die bemerkenswerte Informationsverarbeitungsleistung des Gehirns und unterstützen komplexe kognitive, sensorische und motorische Prozesse. Störungen in diesen Netzwerken, sei es aufgrund von strukturellen Schäden, funktioneller Dysregulation oder beeinträchtigter Konnektivität, können zu einer Vielzahl von neurologischen und psychiatrischen Erkrankungen führen 1,2,3,4,5,6, einschließlich motorischer Defizite, kognitiver Beeinträchtigungen und Stimmungsstörungen. Um das Fortschreiten solcher netzwerkbedingten Störungen genau zu überwachen und optimale Behandlungsstrategien zu identifizieren, sind Methoden erforderlich, die spezifische Netzwerke selektiv stören und ihre funktionelle Integrität zuverlässig quantifizieren können.

Die transkranielle Magnetstimulation kann, wenn sie effizient durchgeführt wird, nicht-invasiv neuronale Populationen und sogar ganze kortikale Netzwerke stören 7,8,9,10,11,12,13,14,15 und ermöglicht deren Beurteilung durch Maßnahmen wie motorische Reaktionen oder Verhaltensänderungen. TMS in Kombination mit Elektroenzephalographie (EEG) ermöglicht die Messung von TMS-evozierten Potentialen (TEPs) – experimentell gemittelte EEG-Antworten, die zeitlich an den TMS-Impuls gebunden sind. TEP-Wellenformen, die unter der Spule aufgezeichnet werden, erfassen die unmittelbare kortikale Erregbarkeit des stimulierten Bereichs, während Reaktionen aus entfernten Regionen Einblicke in die effektive Konnektivität zwischen Gehirnbereichen geben und TMS-EEG als wertvolles Werkzeug für die Untersuchung kortikaler Netzwerke etablieren. TEPs haben bereits ein signifikantes Potenzial als Biomarker für verschiedene neurologische 9,16,17 und psychiatrische Erkrankungen 18,19,20,21,22,23 gezeigt. Darüber hinaus ermöglicht das gleichzeitige TMS-EEG die Festlegung personalisierter Stimulationsintensitäten auf der Grundlage der lokalen kortikalen Reaktivität des Individuums, gemessen mit EEG 24,25,26,27,28. Die Herausforderung dieser Methode, insbesondere wenn sie für die Entwicklung von Biomarkern verwendet wird22,24, ist jedoch zweifach: a) Um den Informationsgewinn zu maximieren, muss die Qualität der gesammelten TEPs hoch sein, was eine Kartierung der kortikalen Bereiche erfordert, um ein Ziel mit minimalen Artefakten und guter Reaktivität zu lokalisieren, und b) die Reaktion muss aus dem interessierenden Netzwerk und nicht von benachbarten kortikalen Stellen kommen. Niedrige TEP-Qualität ist ein häufiges Problem, das sich oft in Form von Rauschen, Artefakten, multisensorischen Reaktionen oder frühen Reaktionen manifestiert, die die Leistung der laufenden oszillatorischen Aktivität nicht überschreiten. Diese schlechte Signalqualität wird in der Regel erst nach der Offline-Verarbeitung, oft lange nach der Datenerfassung, erkannt, was eine Behebung erschwert oder unmöglich macht.

Navigated TMS (nTMS)29, bei dem strukturelle Magnetresonanztomographie verwendet wird, um bestimmte Hirnareale zu erreichen, steht seit mehr als 20 Jahren für die klinische Praxis und Forschung zur Verfügung. Es war entscheidend bei der Kartierung motorischer und sprachkortikaler Areale für die präoperative Bewertung 30,31,32 und für die Ausrichtung auf Bereiche, die keine motorischen, visuellen oder verhaltensbezogenen Reaktionen beinhalten, indem es mit dem EEG kombiniert wurde 9,33,34,35. Sie kann jedoch neuroanatomisch (d.h. die Grenzen zwischen den kortikalen Regionen sind nicht klar) und funktionell unspezifisch sein, da die individuelle Variabilität der Gehirnfunktion mit der strukturellen MRT nicht nachgewiesen werden kann. Daher gelingt es den derzeitigen TMS-Targeting-Ansätzen, die in der Regel auf der Lage des motorischen Kortex oder anderer anatomischer Orientierungspunkte beruhen, oft nicht, funktionell relevante kortikale Bereiche zu stimulieren, was sowohl die Wirksamkeit der Behandlung als auch die Entdeckung zuverlässiger Biomarker einschränkt. Um diese Herausforderungen zu meistern, wurde ein umfassendes Framework entwickelt, das die Verwendung anderer MRT-Modalitäten, wie z. B. Funktions- und Diffusions-MRT, mit präziser kortikaler Kartierung für eine artefaktfreie TEP-Erfassung integriert. Dieser Ansatz ermöglicht zuverlässige und reproduzierbare Messungen, insbesondere von frühen TEP-Komponenten, die sehr empfindlich auf subtile neurophysiologische Veränderungen reagieren. Durch die Verbesserung der Sensitivität der TEP-Analyse ermöglicht dieses Framework robuste Korrelationen mit klinischen Phänotypen und schafft eine solide Grundlage für die Erforschung von Biomarkern bei neuropsychiatrischen Erkrankungen.

Die vorgeschlagene Pipeline ist darauf ausgelegt, ganze kortikale Areale zu kartieren, indem sie anatomische Parzellierung36 (Abbildung 1A), funktionelle MRT (fMRT)-basierte funktionelle Konnektivität37,38 (Abbildung 1B) und Echtzeit-Traktographie39 (Abbildung 1C) kombiniert. Die anatomische Parzellierung ermöglicht die Abgrenzung von kortikalen Bereichen, die einem spezifischen Gehirnnetzwerk für ein Individuum entsprechen, unter Verwendung einer vordefinierten anatomischen Vorlage oder eines Hirnatlas, der nichtlinear für die individuelle Gehirnanatomie registriert ist. Die funktionelle Konnektivität liefert statistische Metriken, die die Korrelation zwischen der physiologischen Aktivität verschiedener Gehirnregionen messen, wie sie durch das blutsauerstoffabhängige (BOLD) Signal40 widergespiegelt wird. Schließlich ist die Echtzeit-Traktographie eine Methode, die auf der Diffusions-MRT (dMRT) basiert und Stromlinien schätzt und anzeigt, die potenzielle strukturelle Verbindungen des Gehirns in Echtzeit beschreiben. Mit der Kombination dieser Methoden können kortikale Areale anhand ihrer strukturellen und funktionellen Konnektivität während des TMS-EEG-Mappings gezielt angesprochen werden. Dies ermöglicht die Verfeinerung der Stimulationsparameter in Echtzeit, um eine artefaktfreie TEP-Erfassung zu gewährleisten.

Die vorgeschlagene neuartige Methodik adressiert die kombinierten Herausforderungen des TMS-Targetings und der TEP-Erfassung und ebnet den Weg für eine präzisere Identifizierung von Biomarkern und effektive Neuromodulationsstrategien in klinischen und Forschungsumgebungen.

figure-introduction-1
Abbildung 1: MRT-abgeleitete Informationen für einen repräsentativen Probanden. (A) Anatomische Parzellierung, die den angestrebten dorsolateralen präfrontalen Kortex (DLPFC) umreißt. (B) Funktionelle Konnektivitätskarte, die eine Antikorrelation mit dem subgenualen cingulären Kortex zeigt (hellere Farben zeigen eine stärkere Antikorrelation an). (C) Echtzeit-Traktographie, die Stromlinien anzeigt, die aus dem Zielbereich gesät wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde von der Ethikkommission des Krankenhausbezirks Helsinki und Uusimaa genehmigt. Vor dem Eingriff wurde von jedem Probanden eine schriftliche Einverständniserklärung zur Teilnahme eingeholt.

1. Hardware- und Softwareanforderungen

  1. Anforderungen an den Versuchsaufbau
    1. Stellen Sie sicher, dass das EEG-System TMS-kompatibel ist und mit einer Abtastfrequenz von 5000 Hz oder höher aufzeichnen kann.
    2. Die EEG-Kappe ist mit mindestens 60 Ag/AgCl-gesinterten, C-förmigen oder anderen Elektroden auszustatten, die die Induktion von Wirbelströmen durch den TMS-Impuls28 minimieren.
      HINWEIS: Das vorgeschlagene Protokoll erfordert die Verwendung passiver Elektroden. Obwohl aktive Elektroden weniger empfindlich auf Impedanzpegel reagieren, sind sie anfällig für Zerfallsartefakte28, die frühe TEP-Komponenten verdecken können.
    3. Vergewissern Sie sich, ob das EMG-System über einen integrierten Algorithmus zur Bestimmung des motorischen Schwellwerts verfügt. Ist dies nicht der Fall, sollte der 10-20-Ansatz verwendet werden (siehe Schritt 3.5.5).
    4. Ermöglicht ein Jittern des TMS-Interstimulus-Intervalls im Bereich von mindestens 2–2,4 s.
    5. Stellen Sie das TMS-Aufladetiming so ein, dass es nach dem TMS-Impuls ausreichend verzögert ist (z. B. 900 bis 1000 ms nach dem Impuls), um sicherzustellen, dass das Aufladeartefakt das gewünschte Zeitfenster nicht verunreinigt.
    6. Stellen Sie sicher, dass das Online-Neuronavigationssystem den Import von Overlays in anatomische Bilder unterstützt.
      HINWEIS: Während externe Software verwendet werden kann, um Überlagerungen zu visualisieren und Koordinaten manuell an das Neuronavigationssystem zu übertragen, erhöht dieser Ansatz die Komplexität des Aufbaus und verlängert die Versuchsdauer.
    7. Besorgen Sie sich spezielle audiometrische Ohrhörer zur Geräuschmaskierung.
  2. Software-Anforderungen
    1. Für die Echtzeit-Visualisierung von TEPs während des Experiments installieren Sie rt-TEP25 (https://github.com/iTCf/rt-TEP), ein MATLAB-basiertes Tool, das gestreamte EEG-Daten nahezu augenblicklich grafisch darstellt und um den TMS-Impuls mittelt.
      HINWEIS: Einige EEG-Systeme ermöglichen die Erstellung ähnlicher Visualisierungen direkt in der Erfassungssoftware. Stellen Sie sicher, dass das Tool zuverlässig ist und minimale Datenmanipulationen ermöglicht, wie z. B. das Abschneiden des TMS-Artefakts und das Filtern – der Erfolg des Experiments hängt stark von der Online-Visualisierung ab.
    2. Installieren Sie den Echtzeit-Tratogramm-Visualizer (https://github.com/baranaydogan/realTimeTractogramVisualizer)39 auf einem Linux-PC, um die Echtzeit-Visualisierung der Strecken zu ermöglichen.
    3. Installieren Sie die Geräuschmaskierung41 (www.github.com/iTCf/TAAC).
    4. Installieren Sie für die MRT-Analyse die folgenden Softwarepakete (oder deren Alternativen): FreeSurfer42, fmriprep43, MRtrix344, sowie eine Python-Umgebung mit der nilearn-Bibliothek (https://nilearn.github.io).

2. Vorbereitung von MRT-basierten Prioren für das TMS-Targeting

  1. Auswahl der interessierenden Regionen
    1. Wählen Sie mindestens zwei Regionen von Interesse (ROIs) aus: eine als TMS-Zielkortikalbereich, der stimuliert werden soll, und eine andere als Seed, von dem theoretisch angenommen wird, dass er einen signifikanten Beitrag zum untersuchten Gehirnnetzwerk leistet. Nutzen Sie strukturelle und funktionale Verbindungen vom Seed zum Ziel, um die TMS-Zieldefinition zu verfeinern.
      HINWEIS: Während das TMS-Ziel für die Stimulation zugänglich sein muss, kann der Seed jede Gehirnregion sein, einschließlich tiefer grauer Substanz wie der Amygdala.
  2. MRT-Aufnahme
    1. Erfassen Sie ein hochauflösendes anatomisches, T1-gewichtetes (T1w) Magnetisierungs-präpariertes MPRAGE-Bild (Rapid Acquisition Gradient Echo) mit isotropen Voxeln von 1 mm.
    2. Führen Sie das EPI-Protokoll (Echoplanar Imaging) aus, um 10 Minuten des fMRT BOLD-Signals im Ruhezustand aufzuzeichnen. Weisen Sie die Versuchsperson an, die Augen offen und fixiert auf ein Kreuz zu halten, das für die Dauer der Sequenz auf dem Bildschirm angezeigt wird.
    3. Wenden Sie das EPI-Protokoll für die dMRT an, indem Sie Bilder in mindestens 100 verschiedenen Gradientenrichtungen insgesamt (b = 1500 und 3000 s/mm2) und 12 nicht diffusionsgewichteten (b = 0 s/mm2) Volumina mit anterior-posteriorer Phasenkodierungsrichtung aufnehmen.
      1. Erfassen Sie mindestens 1 zusätzliches ungewichtetes Volumen mit der umgekehrten Phasenkodierungsrichtung (posterior-anterior).
      2. Um die Toleranz gegenüber Verzerrungen zu verbessern, die z. B. durch Motivbewegungen verursacht werden, nehmen Sie mehrere nicht diffusionsgewichtete Bilder in umgekehrter Phasenkodierungsrichtung auf. Darüber hinaus kann die Wiederholung der vollständigen Erfassung in umgekehrter Phasenkodierungsrichtung für neue Korrekturmethoden nützlich sein 45,46.
  3. Anatomische MRT-Analyse
    1. Verarbeiten Sie das T1w-Bild mit dem FreeSurfer-Befehl42 recon-all . Überprüfen Sie die Gehirnmaske (brain.mgz) und die Pialoberflächen (lh.pial und rh.pial), um sicherzustellen, dass die Dura ordnungsgemäß entfernt wird. Wenn neuronales Gewebe ausgeschlossen ist oder die Pialoberfläche nicht-neurales Gewebe enthält, wiederholen Sie die Erkundung mit angepassten Wasserscheidenparametern. Verwenden Sie die Option -wsthresh, um den Schwellenwert festzulegen (Standard: 25, Bereich: 0–50), oder verwenden Sie -wsmore zum Erweitern oder -wsless zum Verkleinern der Gehirnmaske.
    2. Wenn Human Connectome Project multimodale Parzellierung 1.036 auf die fsaverage-Oberfläche (https://figshare.com/articles/dataset/HCP-MMP1_0_projected_on_fsaverage/3498446?file=5528837) von FreeSurfer projiziert wird, führen Sie mit mri_surf2surf ein erneutes Sampling der Projektparzellierung auf die Gehirnoberfläche des Probanden durch. Erstellen Sie mit mri_aparc2aseg eine volumetrische Parzellierung der kortikalen und subkortikalen Regionen des Probanden. Um die Parzellierung am ursprünglichen T1w-Image auszurichten, führen Sie mri_label2vol aus, und verwenden Sie rawavg.mgz als Vorlage.
    3. Wählen Sie ROI-Flurstücke mithilfe der HCPMMP 1.0-Nachschlagetabelle aus, und extrahieren Sie strukturelle ROI-Karten aus der volumetrischen Parzellierung im nativen Raum des Subjekts mithilfe von mri_binarize.
      HINWEIS: Wenn der Seed-ROI durch MNI-Koordinaten aus der Literatur und nicht durch anatomische Positionen definiert wird, verwenden Sie eine Transformationsmatrix, um die Koordinaten von MNI auf den nativen Raum des Subjekts abzubilden. Erstellen Sie einen sphärischen ROI an der resultierenden Position mit einem Tool wie der FSL-Funktion fslmaths -kernel sphere.
  4. Funktionelle MRT-Analyse
    1. Verarbeiten Sie BOLD-Daten mit fmriprep43 vor. Dies kann vor der anatomischen MRT-Analyse erfolgen, da die Standardeinstellungen von fmriprep eine Aufklärung erfordern oder alternativ eine fertige FreeSurfer-Ausgabe für die Pipeline bereitstellen.
      HINWEIS: Um die Vorverarbeitung zu beschleunigen, beschränken Sie die Analyse auf den fachspezifischen Raum, indem Sie das Flag --output-spaces T1w an fmriprep übergeben. In diesem Fall führt fmriprep die Koregistrierung und die anschließende Analyse im MNI-Raum nicht durch.
    2. Führen Sie die folgenden Schritte aus, um eine Seed-to-Voxel-Analyse des gesamten Gehirns mit bevorzugten Tools durchzuführen, z. B. mit Python und der nilearn-Bibliothek. Die resultierenden volumetrischen Karten quantifizieren die zeitliche Korrelation zwischen dem BOLD-Signal im Seed und dem Rest des Gehirns.
    3. Wenn nicht sicher ist, dass der MRT-Scanner Dummy-Scans am Anfang der Sequenz enthält, die nicht aufgezeichnet werden, entfernen Sie die ersten 4 bis 6 Zeitpunkte aus den Daten. Dadurch wird sichergestellt, dass die Daten nicht den Zeitraum der Signalstabilisierung zu Beginn der Aufnahme enthalten.
      HINWEIS: Verwenden Sie für nilearn die .slicer-Methode , indem Sie img.slicer[..., 4:] aufrufen, wobei img das importierte funktionale MRT ist.
    4. Verwenden Sie zum Entrauschen die von fmriprep geschätzten Störfaktoren. Wählen Sie unter den Verwirrungen diejenigen aus, die der Kopfbewegung (trans_x, trans_y, trans_z, rot_x, rot_y, rot_z), dem durchschnittlichen Signal im Gehirn (global_signal), der weißen Substanz (white_matter) und der Zerebrospinalflüssigkeit (Liquor) entsprechen. Verwenden Sie ausgewählte Werte als Störregressoren in einem allgemeinen linearen Modell, um nicht-neuronale Teile des Signals zu entfernen.
    5. Reduzieren Sie die Fehlalarme mit einer Bandpassfilterung von 0,01 bis 0,08 Hz. Wenn Sie Nilearn verwenden, führen Sie die Confound-Regression und -Filterung mit nilearn.image.clean_img durch, indem Sie die Confound-Matrix und die Cut-off-Frequenzen an die Funktion übergeben.
    6. Glätten Sie die Daten mit einem 6-mm-FWHM-Gauß-Kernel (Full Width Half Maximum). Übergeben Sie den Parameter smoothing_fwhm=6 an nilearn.maskers.NiftiMasker, um das Bild zu glätten.
    7. Extrahieren Sie die Zeitreihen aus der Seed-Maske und mitteln Sie sie. Wenden Sie die Seed-ROI-Maske mit nilearn.maskers.NiftiMasker an, um Zeitreihen aus den Funktionsdaten zu extrahieren.
    8. Berechnen Sie den Pearson-Korrelationskoeffizienten zwischen der gemittelten Zeitreihe des Seeds und jedem anderen Voxel innerhalb der Gehirnmaske. Konvertieren Sie die resultierenden Korrelationskoeffizienten in den Fisher-Z-Wert, um die Korrelationskoeffizienten in eine Normalverteilung umzuwandeln.
      HINWEIS: Um die Korrelation zu berechnen, nehmen Sie das Punktprodukt zwischen dem Gehirn und der ROI-Zeitreihe mit np.dot und dividieren Sie es durch die Länge der Zeitreihe. Wenden Sie np.arctanh an, um die resultierenden Koeffizienten in den Fisher-Z-Wert umzuwandeln.
    9. Beschränken Sie die resultierende Karte auf die ROIs, indem Sie die Korrelationskarte mit den ROI-Masken multiplizieren , z. B . mit nilearn.image.math_img. In den resultierenden Bildern bleiben die Korrelationswerte innerhalb der Voxel der Maske und die Nullen an anderer Stelle.
    10. Optional können Sie die Schwellenwerte für die Maps festlegen, z. B. so, dass nur negativ korrelierte Voxel enthalten sind. Verwenden Sie nilearn.image.threshold_img mit dem entsprechenden Schwellenwertparameter.
  5. Diffusions-MRT-Analyse
    1. Vorverarbeitung von Diffusionsdaten mit einer Pipeline, die Rauschunterdrückung47, Korrektur für Bewegung48, Suszeptibilitäts-induzierte Verzerrungen49, Gibbs-Ringing50,51 und Wirbelstromartefakte52 umfasst. Generieren Sie eine Karte der Faserorientierungsdichte (FOD) und eine Gehirnmaske.
      HINWEIS: Die DESIGNER-Toolbox (https://nyu-diffusionmri.github.io/DESIGNER-v2/) bietet eine vollautomatische Vorverarbeitungspipeline. Die FOD-Schätzung kann mit den Befehlen dwi2response dhollander und dwi2fod msmt_csd 53,54,55 aus der MRtrix344 Toolbox (https://www.mrtrix.org/) durchgeführt werden. Stellen Sie sicher, dass FOD- und Gehirnmasken im T1-Raum koregistriert sind, um sie mit dem Neuronavigationssystem abzugleichen. Es ist sicherzustellen, dass die Gradienten- oder FOD-Orientierungen während der Koregistrierunggedreht werden 56,57. Die Verwendung des MRtrix3-Befehls mrregister wird empfohlen.
    2. Verwenden Sie mri_label2vol Befehl, um die Segmentierung aparc+aseg.mgz von FreeSurfer in den nativen MRT-Bereich zu verschieben. Führen Sie dann aparc+aseg_to_trekkerACTlabels.py (https://raw.githubusercontent.com/dmritrekker/trekker/master/extensions/tools/aparc%2Baseg_to_trekkerACTlabels.py) für die Segmentierung im ursprünglichen MRT-Raum aus, um eine ACT-Datei (Anatomically Contrained Tractography) zu erstellen.
    3. Laden Sie T1-, Gehirnmasken-, FOD- und ACT-Dateien in den Echtzeit-Traktogramm-Visualizer hoch (siehe Schritt 1.2.2.) und bestätigen Sie sorgfältig, dass die visualisierten Traktate funktionsfähig aussehen58.

3. TMS-EEG-Experiment

  1. EEG-Vorbereitung
    1. Stellen Sie sicher, dass die abrasiven und leitfähigen Gele keine metallischen Komponenten enthalten, die Zerfallsartefakte hervorrufen können.
    2. Setzen Sie den Probanden auf einen Stuhl, der nahe genug positioniert ist, damit die Kappenkabel mit dem EEG-System verbunden werden können, und lassen Sie um ihn herum Platz für uneingeschränkte Bewegung.
      HINWEIS: Es ist möglich, die EEG-Vorbereitung so durchzuführen, dass der Proband auf dem TMS-Stuhl sitzt. Die Kopfstütze und die Gesamtmasse des Stuhls können jedoch den Zugang zum Kopf des Probanden erschweren, was den Prozess zeitaufwändiger macht.
    3. Beginnen Sie mit der EEG-Vorbereitung, indem Sie den Kopfumfang des Probanden messen. Wählen Sie eine passende Größe der EEG-Kappe.
      HINWEIS: Wenn der Kopfumfang zwischen den Kappengrößen liegt, wählen Sie die kleinere Größe, da eine lockere Passform Lücken zwischen den Elektroden und der Kopfhaut verursachen kann.
    4. Setzen Sie die Kappe auf, beginnend an der Stirn, und halten Sie die Haare unter der Mütze. Wenn die Kappe ungefähr an Ort und Stelle ist, messen Sie die Abstände von Nasion zu Inion und vom linken zum rechten Tragus. Passen Sie die Position der Kappe an und stellen Sie sicher, dass Cz auf halbem Weg zwischen den anatomischen Orientierungspunkten platziert ist.
    5. Bereiten Sie die Boden- und Referenzelektroden vor, indem Sie die Haut des Mastoids und des Jochbeins gegenüber der Stimulationsseite mit Alkoholtupfern und Schleifband reinigen, um die Leitfähigkeit zu verbessern. Platzieren Sie die Masseelektrode auf dem Jochbein und die Referenz mit Ringelektrodenscheiben auf dem Mastoid.
      HINWEIS: Die Platzierung der Elektroden variiert von Labor zu Labor (siehe Hernandez-Pavon et al., 202328). Obwohl Cz oft als Referenz verwendet wird, kann es aufgrund der Nähe zur Spule suboptimal sein. Empfohlen werden Mastoid- und Jochbeinpositionen oder Positionen auf der Stirn unterhalb der Kappe, abhängig von der Entfernung vom Stimulationsziel und dem Neuronavigations-Setup.
    6. Bereiten Sie die Erdungs- und Referenzelektroden vor. Tragen Sie zuerst eine Schleifpaste auf und schrubben Sie die Haut unter den Elektroden leicht mit einer stumpfen Nadel oder mit einem Wattestäbchen. Füllen Sie dann die Elektrode mit leitfähigem Gel.
    7. Befestigen Sie die Kappe mit Klettverschlüssen unter dem Kinn. Stellen Sie sicher, dass die Ohrschlitze richtig positioniert sind, um den Zugang zu den Ohren für die Neuronavigation zu ermöglichen und Kopfhörer für die Geräuschmaskierung zu platzieren.
    8. Bereiten Sie die Kappenelektroden auf ähnliche Weise wie Masse und Referenz vor. Geben Sie zuerst eine kleine Menge Schleifgel hinzu und entfernen Sie mit der stumpfen Nadel oder dem Holzende eines Wattestäbchens die Haare unter der Elektrode, so dass die Haut sichtbar ist.
    9. Füllen Sie die Elektrode mit leitfähigem Gel, während Sie die Elektrode vorsichtig nach unten drücken, um sicherzustellen, dass die Gelmenge ausreichend, aber nicht zu groß ist. Halten Sie die Impedanz jeder Elektrode für das TMS-EEG-Experiment unter 5 kΩ.
      HINWEIS: Während die Menge des leitfähigen Gels ausreichen muss, um eine Verbindung zwischen der Kopfhaut und der Elektrode herzustellen, können zu hohe Mengen zu einer Überbrückung zwischen benachbarten Elektroden führen.
    10. Wenn die Impedanz höher ist als nach der ersten Vorbereitung, verwenden Sie erneut eine stumpfe Nadel oder ein Wattestäbchen und schwenken Sie es in der Elektrode, um die Haut weiter zu schrubben. Versuchen Sie zu vermeiden, dass Haare aus der Elektrode kommen. Füllen Sie die feste Elektrode wieder mit leitfähigem Gel und prüfen Sie die Impedanz. Wiederholen Sie den Vorgang, bis alle Elektroden unter 5 kΩ liegen.
  2. EMG-Vorbereitung
    1. Reinigen Sie jede Elektrodenstelle mit Alkoholtüchern, kratzen Sie die Haut leicht mit Scheuerband, wischen Sie sie erneut mit Alkohol ab und lassen Sie sie trocknen. Platzieren Sie die aktive Elektrode auf dem Muskelbauch (in der Regel der rechte Abduktor pollicis brevis (APB) und/oder der erste dorsale interossäre (FDI)), die Referenzelektrode über der Muskelsehne und die Masseelektrode auf dem Handrücken.
  3. Vorbereitung der Neuronavigation
    1. Platzieren Sie das Motiv in einer bequemen Position auf dem Stuhl und stellen Sie sicher, dass es bequem mit entspanntem Nacken, Händen und Beinen sitzt. Passen Sie die Stuhlhöhe an, damit der Bediener den gesamten zu untersuchenden Bereich bequem stimulieren kann.
    2. Befestigen Sie den Headtracker mit einem zweiseitigen Aufkleber oder Klebeband in medizinischer Qualität, um sicherzustellen, dass er während der Stimulationssitzung stabil bleibt. Positionieren Sie den Aufkleber so, dass er die freie Bewegung der TMS-Spule über dem Kopf nicht behindert.
      HINWEIS: Positionieren Sie den Tracker leicht nach rechts auf der Stirn, wenn Sie die linke Hemisphäre stimulieren, und leicht nach links, wenn Sie die rechte Hemisphäre stimulieren. Diese Anordnung erleichtert den Zugang zu den Bereichen des Frontallappens.
    3. Identifizieren Sie die Himmelsrichtungen (Nasen- und Präaurikulärpunkte) auf dem MRT des Probanden.
      HINWEIS: Prüfen Sie bei der Definition von präaurikulären Punkten sorgfältig, ob die Ohren des Probanden während der MRT-Aufnahme durch den Schaumstoff und den Gehörschutz gedrückt wurden. Entscheiden Sie sich für tiefere Teile des Ohrläppchens, wie z. B. die Krusten der Helix, die bei MRT-Scans nicht so anfällig für Verformungen sind.
    4. Markieren Sie mit einem Digitalisierstift die Himmelsrichtungen auf dem Kopf des Probanden, die denen auf dem MRT entsprechen.
    5. Digitalisieren Sie zusätzliche Punkte auf der Schädeloberfläche, um Registrierungsfehler zu minimieren.
    6. Vergewissern Sie sich, dass der Registrierungsfehler unter 3 mm liegt (unter 2 mm ist vorzuziehen).
    7. Drücken Sie den Digitalisierungsstift an mehreren Stellen auf den Kopf des Motivs und bestätigen Sie, dass die entsprechenden Punkte auf dem 3D-Kopfmodell korrekt aussehen. Ist dies nicht der Fall, wiederholen Sie das Verfahren der Mitregistrierung.
  4. Maskierung von Geräuschen
    1. Bereiten Sie die Rauschmaskierungvor 41 – geloopte Audioaufnahme von weißem Rauschen mit gemischten Spulenklicks, die von dem verwendeten Spulentyp aufgenommen wurden. Stellen Sie sicher, dass die Geräuschmaskierung nur dann eingeschaltet ist, wenn TMS-Impulse abgegeben werden, um das Unbehagen des Probanden zu verringern.
    2. Verwenden Sie spezielle Air-Tube-Ohrhörer mit Ohrstöpseln, um das Geräusch des TMS-Klicks während der Aufnahme zu überdecken.
    3. Wählen Sie die richtige Größe der Ohrstöpsel und weisen Sie den Probanden an, sie zusammenzudrücken, bevor sie in den Gehörgang gelegt werden. Vergewissern Sie sich visuell, dass die Ohrhörer richtig platziert sind.
    4. Bevor Sie beginnen, zeigen Sie dem Probanden das rohe EEG-Signal und demonstrieren Sie, wie das Anspannen der Gesichtsmuskeln, das Blinzeln und die Augenbewegungen Artefakte erzeugen. Erklären Sie, dass diese Artefakte die Datenqualität verringern, und passen Sie die Position des Probanden aus Gründen des Komforts an, um das Geräusch bei Muskelverspannungen zu minimieren.
    5. Weisen Sie den Probanden an, seine Augen auf das Fixationskreuz zu fokussieren, das sich vor ihm befindet, wenn TMS-Impulse gegeben werden.
    6. Befestigen Sie die Spule einige Zentimeter über dem Scheitelpunkt. Wählen Sie eine hohe Stimulationsintensität, die für das Experiment wahrscheinlich nicht benötigt wird, z. B. 80 % der MSO, um sicherzustellen, dass der Geräuschpegel hoch genug ist, um lauteres Klicken der Spule zu unterdrücken.
    7. Erklären Sie dem Probanden die Natur der Geräuschmaskierung und dass seine Aufgabe darin besteht, zu versuchen, zwischen dem Klicken der Spule, die von der über dem Kopf platzierten Spule kommt, und den Klicks, die von den Kopfhörern kommen, zu unterscheiden, wenn der Lautstärkepegel erhöht wird. Weisen Sie den Probanden an, ein Zeichen zu geben, z. B. einen Daumen zu heben, wenn er glaubt, das Klicken der TMS-Spule nicht mehr hören zu können.
    8. Aktivieren Sie die Rauschmaskierung, indem Sie mit der Standardeinstellung beginnen und das Klickverhältnis zwischen weißem Rauschen und Klicken auf 60 % ändern.
    9. Beginnen Sie, die Impulse mit einem zitternden Interstimulus-Intervall zu geben. Erhöhen Sie die Lautstärke am PC mit Rauschmaskierung jeweils um 1 % bis 2 %, bis das Motiv ein Zeichen gibt, dass es den Klick nicht mehr wahrnehmen kann.
    10. Wenn das Motiv das Klicken immer noch wahrnehmen kann, versuchen Sie, das Verhältnis von weißem Rauschen und Klicken nach oben (für die hohe Tonhöhe des Klicks) oder nach unten (für die tiefe Tonhöhe) anzupassen. Konsultieren Sie bei Bedarf Russo et al., 202241 für weitere Anweisungen.
      HINWEIS: Wenn die akustische Reaktion anhaltend ist, sollte die Platzierung des Kopfhörers überprüft werden – die Position des Ohrstöpsels könnte zu flach sein.
    11. Es ist sicherzustellen, dass die Lautstärke der Geräuschmaskierung die Sicherheitsgrenzwerte für die geschätzte Dauer des Versuchsnicht überschreitet 41. Nachdem das Volumen definiert wurde, fragen Sie den Probanden, ob er das Volumen für die Dauer des Experiments als erträglich empfindet.
      HINWEIS: Nach Angaben des US-amerikanischen National Institute for Occupational Safety and Health (NIOSH)59 kann ein Geräuschpegel von 88 dB bis zu 4 Stunden lang sicher toleriert werden. Für jede Erhöhung um 3 dB über diesen Wert halbiert sich die zulässige Belichtungszeit, während sich für jede Abnahme um 3 dB die zulässige Belichtungszeit verdoppelt.
    12. Geben Sie 20 bis 30 Impulse, während Sie die Echtzeit-TEP-Visualisierung überprüfen. Wenn es innerhalb einer Latenz von 100 bis 200 ms nach dem Impuls in den Elektroden unter der Spule und den temporalen Elektroden zu einer sichtbaren Amplitudenänderung kommt, handelt es sich wahrscheinlich um die auditive Reaktion auf das Klicken (auditives evoziertes Potential). Erhöhen Sie die Lautstärke des Maskierungsgeräuschs in Schritten von 2 %, bis diese Komponente verschwindet.
  5. Bestimmung der motorischen Ruheschwelle (RMT)
    1. Weisen Sie den Probanden an, seine Muskeln mit der Handfläche nach oben entspannt zu halten.
    2. Vergewissern Sie sich, dass das EMG-Signalrauschen (Spitze zu Spitze) im Ruhezustand 20 μV nicht überschreitet, da dies sonst die Bestimmung der Größe des motorevozierten Potentials (MEP) beeinträchtigen kann. Wenn anhaltendes Rauschen vorhanden ist, versuchen Sie, die Position der EMG-Kabel gegebenenfalls neu anzuordnen oder nicht benötigte elektrische Geräte von den Steckdosen zu trennen, um Umgebungsgeräusche zu minimieren.
    3. Positionieren Sie die TMS-Spule über dem Motorknauf, wobei das elektrische Feld senkrecht zum Sulkus steht. Beginnen Sie mit ~30% MSO und passen Sie die Intensität an, bis eine lokalisierte Muskelaktivierung beobachtet wird.
    4. Halten Sie die Intensität aufrecht und stellen Sie die Position und Ausrichtung der Spule über dem Motorknopf ein, bis ein Ziel gefunden wird, das eine für APB spezifische Muskelreaktion60, 61 hervorruft, oder ein anderer Muskel Ihrer Wahl. Speichern Sie die Ziellokation für die Ermittlung des motorischen Schwellwerts.
    5. Unter Verwendung des gespeicherten Ortes verwenden Sie entweder automatisierte Algorithmen62 , um die RMT zu bestimmen, oder einen 10-20-Ansatz60 - von 20 Impulsen, die mit fester Intensität gegeben werden, sollte 10 MEP mit einer Amplitude über 50 μV erzeugen. Erhöhen oder verringern Sie die Stimulationsintensität in Schritten von 1 % bis 2 % des MSO, bis die Bedingungen erfüllt sind. Speichern Sie den Intensitätswert für die weitere Verwendung.
  6. Kortikale Kartierung
    1. Überlagern Sie die anatomischen Parzellierungen und funktionellen Konnektivitätskarten, die mit MRT-Daten in der Neuronavigationssoftware erstellt wurden.
      HINWEIS: In der Regel ist jeweils nur ein Overlay verfügbar. Überlagern Sie zunächst die anatomische Parzellierungskarte, um die Ausdehnung des Gehirnbereichs zu verstehen, und wechseln Sie dann zur funktionellen Konnektivitätskarte, um kleinere relevante Subregionen zu identifizieren.
    2. Untersuchen Sie die Standorte mit der stärksten Konnektivität mithilfe von Echtzeit-Traktographie. Das optimale Stimulationsziel muss entweder eine weit verbreitete strukturelle Konnektivität63,64 aufweisen, wenn die Hypothese bestimmte Signalwege der weißen Substanz nicht priorisiert, oder eine signifikante Anzahl von Stromlinien, die zu anderen Regionen des untersuchten kortikalen Netzwerks führen.
    3. Definieren Sie mindestens 2-3 Ziele, die in Bezug auf die funktionelle und/oder strukturelle Konnektivität vielversprechend sind, um sie mit TMS-EEG zu testen.
    4. Platzieren Sie die Spule über dem Bereich, der die stärksten funktionellen Verbindungseigenschaften mit der posterior-anterioren Richtung des induzierten elektrischen Feldes aufweist.
    5. Beginnen Sie mit der Abgabe von TMS-Impulsen bei 100 % bis 110 % der RMT über dem ausgewählten Ort mit eingeschalteter Rauschmaskierung. Führen Sie durchschnittlich 20 Impulse auf einmal durch und untersuchen Sie die resultierenden TEPs. Wenn eine sichtbare TEP-Reaktion vorliegt, erhöhen oder verringern Sie die Stimulationsintensität in MSO-Schritten von 2 %, bis die frühe TEP-Amplitude (15–50 ms Latenz) größer als 6 μV ist, wobei 6–10 μV der optimale Bereich25 ist.
    6. Wenn kein erkennbarer TEP beobachtet wird, erhöhen Sie die Stimulationsintensität schrittweise um 5 % des MSO, bis die TEP-Amplitude den Zielschwellenwert von 6 μV erreicht. Notieren Sie die Stimulationsstellen, die vielversprechende TEP-Reaktionen erzeugen, und kehren Sie zur weiteren Optimierung zu diesen Stellen zurück.
    7. Überwachen Sie das Signal auf Muskel- und Zerfallsartefakte. Wenn Muskelartefakte länger als 15 ms bestehen bleiben, drehen Sie zuerst die Spule, um sie zu minimieren. Wenn dies nicht gelingt, passen Sie die Stimulationsstelle medial und posterior an, während Sie innerhalb der strukturellen Region von Interesse bleiben, geführt durch MRT-Overlays.
      HINWEIS: Durch die Optimierung werden Artefakte über 15 ms möglicherweise nicht immer beseitigt, aber Verbesserungen sind möglich. Sorgen Sie für Komfort bei den Probanden, insbesondere bei der Stimulation von frontalen und temporalen Regionen, bei denen die Stimulation schmerzhaft sein kann. Die Schmerzwahrnehmung korreliert möglicherweise nicht mit der Größe des Artefakts; Geben Sie in solchen Fällen der Verträglichkeit Vorrang vor optimalem Targeting, um erhöhte Muskelspannungen, sensorische Artefakte und beeinträchtigte Datenqualität zu vermeiden.
    8. Wenn die Position und Ausrichtung, die ein muskel- und zerfallsartefaktfreies TEP mit frühen Komponenten von mehr als 6 μV erzeugt, gefunden wird, überprüfen Sie das TEP auf das Vorhandensein sichtbarer Komponenten nach 50 ms. Wenn TEP-Komponenten fehlen, erhöhen Sie die Stimulationsintensität in MSO-Schritten von 2 %. Wenn die Intensitätserhöhung nicht das gewünschte Ergebnis liefert, verschieben Sie das Stimulationsziel auf das nächste, das in Schritt 3.6.3 definiert wurde.
    9. Wenn mehrere potenzielle Stimulationsziele identifiziert werden, bewerten Sie jedes sorgfältig mit Hilfe der Echtzeit-Traktographie. Dazu können Sie entweder die Standortkoordinaten aus dem Neuronavigationssystem kopieren oder das Ziel anhand anatomischer Landmarken identifizieren. Priorisieren Sie Ziele, die gegebenenfalls direkte Verbindungen zu den interessierenden Regionen aufweisen (wie in Schritt 2.1.1 beschrieben) oder eine höhere globale strukturelle Konnektivität aufweisen.
    10. Wenn der Ort und die Ausrichtung gefunden wurden, die die auffälligste Reaktion auf TMS hervorrufen, speichern Sie die Informationen darüber, um die Aufzeichnung zu starten.
  7. TMS-EEG-Datenaufzeichnung
    1. Messen Sie vor Beginn jeder Datenaufzeichnung die Elektrodenimpedanzen. Wenn Elektroden eine Impedanz von mehr als 5 kΩ haben, fügen Sie eine kleine Menge leitfähiges Gel hinzu, um die Impedanz zu senken, da sie während des Experiments aufgrund von Trocknung ansteigen kann. Wenn diese Einstellung nicht ausreicht, wiederholen Sie den EEG-Vorbereitungsvorgang und fügen Sie nur bei Bedarf mehr Gel hinzu.
    2. Vergewissern Sie sich, dass der Proband das Klicken der Spule nicht hören kann, und erkundigen Sie sich nach Schmerzen oder Beschwerden. Ermutigen Sie die Person, sich zu strecken, bevor sie eine bequeme Position findet, und wiederholen Sie dann die Anweisungen zur Aufrechterhaltung der Augenfixierung.
      HINWEIS: Aufgrund der langen Versuchsdauer sollten Sie kurze Pausen zwischen den Zuordnungs- und Aufzeichnungssitzungen einplanen. Bieten Sie Wasser an und beurteilen Sie den Komfort und die Toleranz des Probanden gegenüber dem Prozess. Pausen beugen auch Schläfrigkeit vor. Passen Sie bei Bedarf die Position des Stuhls an und überprüfen Sie die Elektrodenimpedanzen nach jeder Pause erneut.
    3. Sammeln Sie mindestens 300 Versuche mit der Geräuschmaskierung unter Verwendung des Stimulationsorts, der Ausrichtung und der Intensität, die in Schritt 3.6.10 festgelegt wurden. Das Interstimulus-Intervall kann variieren, muss aber einen Jitter aufweisen und 2 s überschreiten.
      HINWEIS: Die Anzahl der Impulse hängt von den Zielen und Bedürfnissen der einzelnen Studienab 28.
    4. Digitalisieren Sie die Elektrodenpositionen sorgfältig mit dem Neuronavigationssystem für die anschließende Datenanalyse.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das beschriebene Protokoll wurde verwendet, um TMS-EEG-Daten aus dem linken dorsolateralen präfrontalen Kortex (DLPFC) eines gesunden Probanden zu sammeln. Die Studie wurde von der koordinierenden Ethikkommission des Universitätsklinikums Helsinki genehmigt und in Übereinstimmung mit der Deklaration von Helsinki durchgeführt. Der Proband unterschrieb eine Einwilligungserklärung. Einzelheiten zur Datenerfassung finden Sie in der Materialtabelle.

Die linke DLPFC ist ein häufiges Interessengebiet, das in der klinischen Praxis zur repetitiven TMS-Behandlung von Major Depression (MDD) eingesetzt wird65. Eine wachsende Zahl von Literatur unterstreicht die Bedeutung der funktionellen Konnektivität des subgenualen anterioren cingulären Kortex (sgACC) mit DLPFC in der Pathophysiologie von MDD 3,66,67. Insbesondere gibt es Hinweise darauf, dass die TMS-Behandlung, die über die Bereiche des linken DLPFC verabreicht wird, die eine starke Antikorrelation mit dem linken sgACC aufweisen, eine höhere Wirksamkeit haben könnte 38,68,69,70. Nach diesen Ergebnissen wird die Hypothese aufgestellt, dass TMS-EEG-Daten, die von den Zielen aufgezeichnet wurden, die funktionell mit der sgACC BOLD-Aktivität korreliert sind, für die weitere Entwicklung von Biomarkern am aussagekräftigsten sein werden.

Die strukturelle MRT-Maske für DLPFC wurde definiert als eine Kombination der Regionen 9a, 9p, 9-46d, 46, a9-46v und p9-46v aus dem HCPMMP36, die die Brodmann-Areale 9 und 46 umfasst. Die sgACC-Maske war Region 25, was der Brodmann-Fläche 25 entspricht. In Anlehnung an das beschriebene Protokoll wurden Seed-to-Voxel-Korrelationskarten unter Verwendung von fMRT-Daten abgeleitet und nur Voxel ausgewählt, die zum DLPFC-ROI gehören. Die Karten wurden dann mit einem Schwellenwert versehen, um nur Voxel mit negativer Korrelation anzuzeigen. Der absolute Wert der Korrelation wurde genommen, um die Visualisierung zu vereinfachen. Die resultierenden Cluster wurden während des TMS-EEG-Experiments mit der strukturellen MRT in der Neuronavigation überlagert (Abbildung 2A).

Die initialen TMS-EEG-Mapping-Ziele wurden aus Regionen ausgewählt, die die stärkste funktionelle Antikorrelation mit dem sgACC aufwiesen. Diese Ziele wurden dann iterativ durch das TMS-EEG-Mapping-Verfahren verfeinert, um die vielversprechendsten Stimulationsstellen basierend auf der TEP-Qualität und ihrer Nähe zu kortikalen Patches mit der höchsten Antikorrelation zum sgACC zu identifizieren. Der endgültige Satz potenzieller Stimulationsstellen wurde anschließend mit Hilfe der Echtzeit-Traktographie analysiert. Da es keinen bekannten direkten Weg vom sgACC zum DLPFC gibt, mussten indirekte Wege der weißen Substanz in Betracht gezogen werden. In Fällen, in denen spezifische direkte oder indirekte Wege von vornherein bekannt sind, sollten diese priorisiert werden. Für das sgACC wurde das von MDD3 betroffene großskalige Gehirnnetzwerk bei der traktographiegetriebenen Zielauswahl berücksichtigt. Die strukturelle Konnektivität des TMS-Ziels wurde ebenfalls bewertet, wobei Bereiche, die eine breite Konnektivität zu anderen Gehirnregionen aufweisen - wie dem ventromedialen präfrontalen Kortex, dem Broca-Areal oder dem Parietallappen - eine höhere Priorität erhielten.

Gemäß dem Mapping-Protokoll wurden das Ziel, die Ausrichtung und die Intensität der Stimulation basierend auf den resultierenden TEPs ausgewählt, die größer als 6 μV waren und nur minimal von Artefakten beeinflusst wurden. Jede Optimierungsiteration umfasste die Aufzeichnung von 20 Impulsen mit minimaler Vorverarbeitung. Das endgültige optimierte Ziel wurde dann verwendet, um 300 Impulse für die Datenanalyse zu sammeln.

Die minimale Vorverarbeitungspipeline, die für die Simulation der Echtzeit-RT-TEP-Nutzung konzipiert war, umfasste die folgenden Schritte:
1. Einteilung der Daten in Epochen
2. Korrektur des Ausgangswerts
3. Entfernung des TMS-Artefakts durch Ersetzen von Daten von -2 bis 10 ms um den TMS-Impuls durch Nullen
4. Beseitigung der fehlerhaften Kanäle
5. Erneuter Verweis auf den durchschnittlichen Referenzwert
6. Bei Bedarf wurden ein Tiefpassfilter bei 80 Hz und ein Notch-Filter bei 48–52 Hz eingesetzt, um Leitungs- und hochfrequentes Rauschen zu berücksichtigen.

Die gesamte Vorverarbeitungspipeline folgte den in Mutanen et al., 202471 beschriebenen Verfahren. Weitere Einzelheiten zur TMS-EEG-Vorverarbeitung finden Sie in Hernandez-Pavon et al., 202272, Rogasch et al., 201773, Mutanen et al., 201874 und Mutanen et al., 201675. Zusammenfassend lässt sich sagen, dass der Prozess Folgendes umfasste:
1. Einteilung der Daten in Epochen
2. Korrektur des Ausgangswerts
3. Entfernung von TMS-Artefakten zwischen -2 und 10 ms um den TMS-Impuls, mit kubischer Interpolation unter Verwendung von 5 ms Daten vor und nach dem entfernten Intervall
4. Entfernung von fehlerhaften Kanälen (insgesamt 4: Fpz, F1, FT10, TP9, PO4)
5. Entfernung schlechter Studien
6. Beseitigung von Verwehungen durch robuste Trendentfernung
7. ICA zur Entfernung von Augenartefakten
8. Korrektur des Ausgangswerts
9. Anwendung des SOUND74-Algorithmus zur Unterdrückung von extrakraniellem Rauschen, gefolgt von einer erneuten Referenzierung auf die durchschnittliche Referenz
10. SSP-SIR75-Algorithmus zur Entfernung von TMS-evozierten Muskelartefakten
11. Tiefpassfilterung bei 80 Hz und ein Notch-Filter bei 48–52 Hz
12. Schneiden Sie die Enden des Zeitfensters ab, um mögliche Kanteneffekte zu entfernen
13. Zusätzliche Entfernung von fehlerhaften Prüfungen, um sicherzustellen, dass verbleibende Prüfungen mit hohem Geräuschpegel ausgeschlossen werden (22 von insgesamt 300 Ablehnungen)

Das experimentelle Verfahren begann mit der Identifizierung der motorischen Ruheschwelle. Die RMT des Probanden betrug 41% MSO.

Während des experimentellen Verfahrens wurden hauptsächlich die Elektroden über der Region of Interest (AF3, F1, F3, F5, FC3) (Abbildung 2B) untersucht, um die Qualität der resultierenden TEPs zu beurteilen. Andere Elektroden wurden kontinuierlich auf niedrige Impedanz überwacht, und die Impedanz wurde bei Bedarf nach dem in Schritt 3.1.10 beschriebenen Verfahren gesenkt. Die frühen TMS-Antworten innerhalb des Zeitfensters von 10 bis 60 ms, die die direkte Aktivierung des Kortex durch das induzierte elektrische Feld widerspiegeln, wurden verwendet, um die Qualität der produzierten TEPs zu bewerten.

Das Kartierungsverfahren (siehe Abbildung 3) begann mit einem der fMRT-Cluster (Abbildung 3A) und einer Untersuchung der strukturellen Konnektivität des Zielbereichs (Abbildung 3B), die hauptsächlich Stromlinien zum homologen Bereich in der kontralateralen Hemisphäre und im Frontalpol zeigte.

Für die Stimulation wurde die Spule in einem Winkel von 45 Grad zur Mittellinie ausgerichtet. Die Stimulationsintensität wurde auf 49% MSO festgelegt, was einem geschätzten E-Feld-Maximum von 96 V/m am Hotspot und 120% RMT entspricht. In Abbildung 3C ist eine potentielle TEP-ähnliche Reaktion in den Elektroden F3, F1 und FC3 zu beobachten. Die AF3-Elektrode weist ein Klingelartefakt mit großer Amplitude auf, während F5 von einem kleinen Muskelartefakt beeinflusst wird, das an dem hochfrequenten Peak mit hoher Amplitude direkt nach dem TMS-Impuls76,77 erkennbar ist. Um das Klingelartefakt während der Aufnahme zu minimieren, kann eine Netzkappe, die die Elektroden nach unten drückt, um die Bewegung zu reduzieren, oder eine dünne Schaumstoffschicht unter der Spule verwendet werden (vgl. Hernandez-Pavon et al., 202328). Obwohl solche Artefakte oft durch Filterung entfernt werden können, da nur AF3 kontaminiert war, wurde es aus der durchschnittlichen Referenz ausgeschlossen, um unnötige Filterung zu vermeiden, was zu den in Abbildung 3D gezeigten Daten führte.

Fokussiert man sich auf die F3-Elektrode (Abbildung 3F), so scheint das Signal von dem in F5 beobachteten Muskelartefakt weitgehend unbeeinflusst zu sein. Die charakteristische Wellenform mit großer Amplitude erholt sich bei etwa 15 ms, und eine Ablenkung von 5 Mikrovolt zwischen 22 ms und 32 ms ist wahrscheinlich eine echte kortikale Reaktion auf TMS. Das Filtern des Signals (Abbildung 3E, G) bestätigt, dass die Amplitude nicht durch Rauschen in anderen Kanälen beeinflusst wird.

Um zu untersuchen, ob das Muskelartefakt im F5-Kanal durch die Spulenrotation reduziert werden kann, wurden alle anderen Stimulationsparameter konstant gehalten (Abbildung 4), und die Spule wurde zunächst in eine posterior-anteriore Ausrichtung (Abbildung 4A) gedreht, wo das E-Feldmaximum auf 80 V/m geschätzt wurde, und dann in lateral-mediale Richtung (Abbildung 4E) mit maximal 101 V/m E-Feld. Ein starker Anstieg der Muskelaktivierung wurde bei der Ausrichtung der hinteren und vorderen Spirale beobachtet (Abbildung 4B, C), was vom Probanden als unangenehm beschrieben wurde. Die lateral-mediale Ausrichtung erzeugte ein ähnliches Signal wie in Abbildung 3, jedoch mit einer größeren Amplitude, was zu einer frühen 12 μV TEP-Antwort an der F3-Elektrode führte (Abbildung 4F,G), was eine Verringerung der Stimulationsintensität ermöglicht. Das Fehlen von übermäßigen Muskel-, Karies- oder Klingelartefakten sowie die Größe der frühen TEP-Reaktion machen diese Kombination von Stimulationsparametern zu einem vielversprechenden Kandidaten für die Datenerhebung.

Abbildung 5 zeigt den Effekt der Stimulationsintensität auf die TEP-Reaktionen bei einem Ziel mit geringer Erregbarkeit. Anschließend wurden der zweite fMRT-Cluster (Abbildung 5A) und seine strukturelle Konnektivität (Abbildung 5B) untersucht. Ähnlich wie beim ersten Ziel scheinen die strukturellen Verbindungen auf die Frontallappen beschränkt zu sein. Es ist bemerkenswert, dass trotz des Abstands zwischen den beiden fMRT-Clustern von 28 mm die Stimulationsintensität, die für die vorherigen Ziele, 49 % MSO (77 V/m, 120 % RMT), verwendet wurde, keine erkennbare TMS-Reaktion hervorrief, was die Bedeutung der TEP-basierten Auswahl der Stimulationsintensität unterstreicht. In Abbildung 5B,C ist das TMS-Ansprechen bei 55 % MSO (89 V/m, 134 % RMT) dargestellt. Es ist wichtig zu beachten, dass die nach 10 ms beobachtete große Ablenkung keine echte TMS-Reaktion ist, sondern eher eine Fortsetzung der Muskelartefaktwiederherstellung. Daher sollten nur Signale berücksichtigt werden, die später als 25 ms nach dem Impuls auftreten, was zu einer Amplitude von 4 μV zwischen 26 ms und 60 ms führt. Die Intensität wurde weiter auf 60 % MSO (97 V/m, 146 % RMT) erhöht, um deutliche frühere Reaktionen zu erhalten (Abbildung 5F,G). Im Vergleich zu der MSO-Intensität von 55 % wurde eine erwartete Zunahme der Amplitude des Muskelartefakts beobachtet, aber es gab einen geringen bis keinen Anstieg der TEP-Amplitude. Basierend auf der beobachteten Wellenform und dem Bedarf an einer höheren Stimulationsintensität wird davon ausgegangen, dass dieses Ziel im Vergleich zu den vorherigen Zielen eine geringere kortikale Erregbarkeit aufweist, was es für die Datenerfassung weniger aussagekräftig macht. Ein Ziel mit ähnlichen Eigenschaften könnte jedoch für Behandlungsprotokolle vorzuziehen sein.

Insgesamt wurden 16 verschiedene Kombinationen von Stimulationsparametern mit einem 20-Trial-Mapping-Verfahren untersucht. Die Gesamtdauer des Eingriffs, ohne EEG- und EMG-Vorbereitung (die ca. 30 Minuten dauerte), betrug 2 h 35 min. Das endgültige Stimulationsziel ist in Abbildung 6A zu sehen. Obwohl dieses Ziel sehr nahe am ursprünglichen Ziel liegt (Abbildung 3A), weist es eine viel weiter verbreitete strukturelle Konnektivität auf (Abbildung 6B), die möglicherweise mehr Informationen über die Signalausbreitung vom Hotspot in andere kortikale Regionen liefert. Die Stimulationsintensität wurde bei 49% MSO (102 V/m, 120% RMT) gehalten.

Die minimale Vorverarbeitung der ersten 20 Impulse, die vom endgültigen Stimulationsziel gesammelt wurden, ist in Abbildung 6C,D dargestellt. Ein Klingeln mit großer Amplitude verunreinigte die F1-Elektrode, die anschließend abgestoßen wurde. Das Restrauschen in anderen Elektroden blieb jedoch auch nach dieser Unterdrückung vorhanden. Trotz des Vorhandenseins des Klingelartefakts erlaubte das Fehlen des Muskelartefakts in der interessierenden Region, die Latenzen nach 16 ms als echtes neuronales Signal zu betrachten. Nach der Filterung betrug die Amplitude der frühen Komponente zwischen 17 ms und 35 ms 9 μV.

Abbildung 6E, F zeigt das Ergebnis der vollständigen Vorverarbeitungspipeline, die auf das 300-Pulse-Dataset angewendet wurde. Die resultierende TEP ähnelt stark der Wellenform, die von 20 Pulsen abgeleitet wurde (Abbildung 6D), was die Relevanz der Echtzeitüberwachung der TEPs zeigt. Die frühe Reaktion zwischen 20 ms und 40 ms beträgt 6 μV, was die erwartete Verringerung der Amplitude aufgrund der Vorverarbeitung zeigt.

figure-results-1
Abbildung 2: Neuronavigation und Elektrodenaufbau. (A) Das 3D-MRT-basierte Kopfmodell des Probanden, überlagert mit fMRT-abgeleiteter Konnektivität. (B) Schematische Darstellung der Platzierung der EEG-Elektrode, wobei die interessierenden Elektroden unter der Stimulationsspule orange markiert sind. Beachten Sie, dass die Positionen der Elektroden auf dem 3D-Kopfmodell digitalisiert sind (Schritt 3.7.4). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-2
Abbildung 3: Ein Beispiel für eine minimale TMS-EEG-Datenverarbeitung . (A) Das Neuronavigationsdisplay zeigt die Stimulationsstelle und die Ausrichtung der Spule an. Der rote Pfeil zeigt die stärkere Richtung des biphasischen Impulses an, der blaue Pfeil die schwächere Richtung. Die Stimulationsintensität wird als Prozentsatz der maximalen Stimulatorleistung (MSO) und der motorischen Ruheschwelle (RMT) ausgedrückt. (B) Echtzeit-Traktographie an der Stimulationsstelle. (C) TMS-EEG-Rohdaten von Elektroden unter der Stimulationsspule. (D) TMS-EEG-Daten nach verrauschter Kanalablehnung, wobei abgelehnte Kanäle durch Nullen ersetzt werden. (E) TMS-EEG-Daten nach der Filterung. (F) Vergrößerte Ansicht der F3-Elektrode nach schlechter Kanalunterdrückung. (G) Vergrößerte Ansicht der F3-Elektrode nach dem Filtern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-3
Abbildung 4: Einfluss der Stimulationsorientierung auf das Muskelartefakt. (A) Stimulationsziel mit Ausrichtung der hinteren und vorderen Spirale und entsprechender Intensität. (B) Rohdaten für die posterior-anteriore Ausrichtung, die eine Kontamination der Muskelartefakte zeigen. (C) Daten von der F3-Elektrode mit großem Muskelartefakt. (D) Echtzeit-Traktographie entsprechend dem Stimulationsort. (E) Stimulationsziel mit lateral-medialer Ausrichtung und entsprechender Intensität. (F) Rohdaten für die lateral-mediale Orientierung, die saubere TEPs zeigen. (G) TEP von der F3-Elektrode, die eine große, artefaktfreie frühe Reaktion aufweist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-4
Abbildung 5: Einfluss der Stimulationsintensität auf die TEP-Antworten im Ziel mit geringer Erregbarkeit. (A) Ort und Intensität des Stimulationsziels. (B) Rohdaten, die mit 55 % MSO aufgezeichnet wurden. C) F3-Elektrodendaten ohne unterscheidbare frühe TEP-Komponenten. (D) Echtzeit-Traktographie entsprechend dem Stimulationsort. (E) Die Stimulationsintensität wurde erhöht, während das Ziel konstant gehalten wurde. (F) Rohdaten, die mit 60 % MSO aufgezeichnet wurden. (G) F3-Elektrodendaten zeigen Muskelartefakte aufgrund höherer Stimulationsintensität. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-5
Abbildung 6: Einfluss von minimalen und vollen Preprocessing-Pipelines auf die TMS-EEG-Daten . (A) Endgültiges Stimulationsziel und -intensität. (B) Echtzeit-Traktographie für den Stimulationsort. (C) Rohdaten wurden im Durchschnitt über 20 Versuche erhoben. (D) Durchschnittlicher TEP von 20 Versuchen an der F3-Elektrode. (E) Vollständig vorverarbeitete TEPs umfassten durchschnittlich über 300 Studien. (F) Vollständig vorverarbeiteter durchschnittlicher TEP mit 300 Versuchen an der F3-Elektrode. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese methodische Pipeline führt einen neuartigen Ansatz für die personalisierte Kartierung und das Targeting des Gehirns unter Verwendung mehrerer Neuroimaging-Techniken ein. Individualisierte kortikale Karten werden durch die Kombination von anatomischer Parzellierung mit funktioneller und struktureller Konnektivität erstellt, was dazu beiträgt, die anfängliche Suchregion für das optimale Stimulationsziel zu definieren. Als nächstes wird TMS-EEG-Mapping eingesetzt, um die Position, Ausrichtung und Stimulationsintensität des Ziels zu verfeinern, mit dem Ziel, die Reaktivität der frühen neuronalen Reaktionen auf TMS zu verbessern und Muskeln, Karies und andere Artefakte zu reduzieren. Kortikale Bereiche innerhalb der interessierenden Region werden systematisch untersucht, wobei der Stimulationsort, die Ausrichtung des elektrischen Feldes und die Intensität angepasst werden, während die Datenqualität durch Echtzeit-Visualisierung der gemittelten TEPs kontinuierlich überwacht wird. Das endgültige Stimulationsziel wird auf der Grundlage artefaktfreier Reaktionen mit klar identifizierbaren frühen TEP-Komponenten ausgewählt. Diese Pipeline ist besonders nützlich für Studien, die sich auf die Erforschung von TMS-EEG-basierten Biomarkern konzentrieren.

Die Rohrleitung besteht aus mehreren wesentlichen und anspruchsvollen Schritten. Der erste Schritt besteht darin, die Grenzen des kortikalen Bereichs für die TMS-EEG-Kartierung zu definieren. Andernfalls kann das Ziel aus einem Bereich ausgewählt werden, der eine andere Zytoarchitektur aufweist als die funktionell relevante. Um dies zu adressieren, wird die multimodale Parzellierung36 des Human Connectome Project verwendet, die Gehirnregionen auf der Grundlage einer Kombination aus struktureller und funktioneller Konnektivität unterteilt. Die abgeleitete Maske definiert die äußeren Grenzen des Bereichs, der mit TMS-EEG abgebildet werden soll. Um den kortikalen Bereich von Interesse (z. B. DLPFC, eine ziemlich große Hirnregion) weiter zu verfeinern, werden Voxel ausgewählt, die eine funktionelle Konnektivität zum sgACC (Bereich 25)38,68,78 zeigen, der kürzlich in die klinische Praxis für die MDD-Behandlung 69,79 aufgenommen wurde. Von dort aus beginnt das TMS-EEG-Mapping mit der Ausrichtung auf kortikale Regionen mit der stärksten funktionellen Konnektivität zum sgACC, um sicherzustellen, dass der ausgewählte Bereich eine hohe kortikale Reaktivität ohne Kontamination durch Muskel- oder Zerfallsartefakte aufweist. Wenn die nach 20 Impulsen aufgezeichneten Roh-TEPs den Qualitätsstandards entsprechen, wird das Ziel für die Datenerfassung ausgewählt. Werden jedoch signifikante Artefakte beobachtet – ein häufiges Problem im präfrontalen Kortex – werden benachbarte Regionen systematisch untersucht, um eine geeignete Alternative zu identifizieren.

Die Echtzeit-Traktographie kann bei der Auswahl von TMS-Zielen mit großräumiger struktureller Konnektivität hilfreich sein, wie z. B. die räumlich verteilten Netzwerke, die in MDD 3,78 impliziert sind und nicht auf einen einzigen Trakt der weißen Substanz beschränkt sind. Es ist jedoch besonders wertvoll in Fällen, in denen bekannte Trakte beteiligt sind, wie z. B. der frontale Schrägtrakt im Sprachnetzwerk, wo es eine präzise Zielerfassung80 gewährleistet. Obwohl die Offline-Traktographie Konnektivitätsinformationen liefern kann, die für die ROI-Auswahl nützlich sind, ist sie für die TMS-EEG-Kartierung weniger effektiv. Vordefinierte kortikale Ziele, die durch Offline-Methoden identifiziert wurden, können keine relevanten oder ausreichend starken EEG-Reaktionen hervorrufen, das gewünschte Netzwerk nicht effektiv aktivieren oder zu Beschwerden und Muskelartefakten führen, was die Datenqualität beeinträchtigt und Parameteranpassungen während des Experiments erforderlich macht. Durch die dynamische Bereitstellung von Konnektivitätseinblicken bewältigt die Echtzeit-Traktographie diese Herausforderungen und ermöglicht eine spontane Optimierung der Spulenplatzierung, um qualitativ hochwertige, zuverlässige Messungen und eine robuste Netzwerkbindung zu gewährleisten.

In diesem Protokoll wird die Intensität der TMS auf der Grundlage von EEG-Signalen angepasst, die die kortiko-kortikale Erregbarkeit widerspiegeln, wobei die RMT in erster Linie als Ausgangspunkt für die Intensitätskalibrierung verwendet wird. RMT spielt eine untergeordnete Rolle bei der Bestimmung der Endintensität. Dieser Ansatz stellt sicher, dass eine signifikante Population von Neuronen innerhalb des Zielbereichs aktiviert wird, wodurch ein starkes und zuverlässiges Signal erzeugt wird. Sobald die Artefakte durch Spulenanpassungen und funktionale und strukturelle Validierung des Ziels minimiert sind, wird die Stimulationsintensität weiter angepasst. Da dieses Protokoll darauf abzielt, die aus TMS-EEG-Antworten gewonnenen Daten für die Identifizierung von Biomarkern zu maximieren, ist es von entscheidender Bedeutung, sicherzustellen, dass die TEP-Amplituden angemessen sind. Bei der Verwendung von RMT zur Definition der Intensität überschreiten die frühen Reaktionen nach der Vorverarbeitung in der Regel nicht mehr als 4 μV81 , was in Kombination mit Artefakten die Qualität des neuronalen Signals verringert. Um dies zu überwinden, wird ein von Casarotto et al.25 entwickelter und von Tervo et al.82 verfeinerter Ansatz verwendet, bei dem das EEG-Signal nach 20–30 TMS-Impulsen in Echtzeit gemittelt wird. Ziel ist es, eine klare, unkünstlich erzeugte Reaktion von 6–10 μV in einem Zeitfenster von 10–50 ms zu erreichen. Wie in den Abbildungen 3 und 5 gezeigt, können nahe gelegene Ziele unterschiedliche Stimulationsintensitäten erfordern, was entweder zu einer unzureichenden oder übermäßigen neuronalen Aktivierung führt.

Nicht-navigierte Standardziele, die typischerweise durch Entfernungen vom motorischen Hotspot oder den Elektrodenpositionen des EEG-Systems definiert werden, werden häufig bei rTMS-Behandlungen verwendet 83,84,85,86. Sie haben sich auch in TMS-EEG-Studien als wirksam erwiesen, die auf den DLPFC abzielen, wobei Biomarker wie spätere Reaktionen (z. B. N100) und intrakortikale Hemmung (LICI) über lange Intervalle ein Potenzial zeigen 18,19,23,87,88. Diese nicht-personalisierten Ziele sind einfacher, kostengünstiger und erfordern keine MRT, Neuronavigation oder spezialisiertes Personal zur Zielidentifizierung, und es hat sich gezeigt, dass einige den DLPFC zuverlässig lokalisieren 85,86. Der Mangel an Personalisierung kann jedoch zu niedrigeren Remissionsraten bei Behandlungen beitragen89,90. Darüber hinaus können die Schädelmuskeln in diesem Bereich frühe Reaktionen aufgrund von Artefakten verdecken, die eine Intensitätsanpassung verhindern. Personalisierte Intensitätsanpassungen in der TMS können daher die Wirksamkeit der Behandlung verbessern.

Dieses Protokoll fördert einen personalisierteren Ansatz zur Hirnstimulation, der im Vergleich zu nicht personalisierten Standardansätzen einen besseren Einblick in die kortikale Reaktivität und Konnektivität bietet. Es erfordert jedoch erhebliche Ressourcen, einschließlich individueller MRT-Scans, spezieller TMS- und EEG-Geräte und Personal mit Fachkenntnissen in Neurobildgebung und Neurophysiologie. Darüber hinaus hängt der vorgeschlagene Ansatz stark von der subjektiven Beurteilung der TEP-Qualität und der optimalen Stimulationsparameter ab. Trotz dieser Einschränkungen ist die Qualität der TMS-EEG-Daten für die Entwicklung von Biomarkern von entscheidender Bedeutung, was die Verwendung dieses Ansatzes rechtfertigt. Sobald zuverlässige Biomarker identifiziert sind, kann das Verfahren vereinfacht werden, um sich auf die Optimierung relevanter Zeitfenster und die Minimierung von Artefakten zu konzentrieren. In Zukunft, wenn die TMS-Technologie weiterentwickelt wird (z. B. Multi-Locus91 und Multi-Channel92 TMS), wird erwartet, dass der Ressourcenbedarf für die personalisierte Stimulation sinken wird, was sie möglicherweise zum neuen Standard für den klinischen Einsatz macht.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PL ist Berater von Nexstim Plc für TMS-EEG-Anwendungen und Sprachkortikales Mapping. RI verfügt über Patente auf die TMS-Technologie und hat Nexstim Plc in Bezug auf TMS beraten.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

xWir bedanken uns bei Profs. Silvia Casarotto, Marcello Massimini und Mario Rosanova von der Universität Mailand für ihre Pionierarbeit und Förderung der TMS-EEG-Mapping-Methodik. Wir möchten uns auch für den Beitrag der Dutzenden von Forschungsteilnehmern bedanken, die zur Entwicklung unseres Versuchsprotokolls geführt haben. Die Arbeit an "PlaStim: Plastizitätsstimulation bei der Behandlung von Anhedonie" wird von Wellcome Leap im Rahmen des Multi-Channel Psych Programms unterstützt. Dieses Projekt wurde auch vom Europäischen Forschungsrat (ERC) im Rahmen des Forschungs- und Innovationsprogramms Horizon 2020 der Europäischen Union gefördert (Finanzhilfevereinbarung Nr. 81037).

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ScheuergelH + H MedizinprodukteOneStep AbrasivPlus
Leitfähiges GelEBIElektroGel
DESIGNERVersion 2.0.0https://nyu-diffusionmri.github.io/DESIGNER-v2
EEG-VerstärkerBrain Products GmbHBrainAmp DC-Verstärker5000 Hz Abtastfrequenz
EEG-DeckelEASYCAP GmbH64 Kanäle BrainCap für TMSGesinterte Ag/AgCl-Elektroden
EMG-VerstärkerNexstim PlcNexstim EMG
Achter-SpuleNexstim PlcGekühlte SpuleLuftgekühlte Spule mit 70 mm Durchmesser
fmriprepVersion 22.1.0https://fmriprep.org
FreeSurferVersion 7.3.2https://surfer.nmr.mgh.harvard.edu
MATLAB (Englisch)MathWorks (Englisch)Fassung R2021bhttps://www.mathworks.com
MRT-ScannerSiemens Gesundheitswesen3T Siemens MAGNETOME SkyraT1-gemessene Strukturbilder: MPRAGE, 1 mm istrope Voxel, TR = 2530 ms und TE = 3,42 ms;
fMRT: EPI, 3 mm isotrope Voxel, TR= 1250 ms, TE = 3 ms, Multiband-Beschleunigungsfaktor 3, Flip-Winkel 65;
dMRT: insgesamt 100 verschiedene Gradientenrichtungen (b = 1500 und 3000 s/mm2), 12 nicht diffusionsgewichtete (b = 0  s/mm2) Volumina mit anterior– posteriore Phasenkodierungsrichtung, 1 nicht diffusionsgewichtetes Volumen mit der umgekehrten Phasenkodierungsrichtung (posterior– anterior), isotrope Voxel von 2 mm, TR = 4100 ms, TE = 105 ms.
MRtrix3Version 3.0.4https://www.mrtrix.org
nilearnVersion 0.10.3https://nilearn.github.io
Kopfhörer mit Geräuschunterdrückung Etymotic Research IncER3C Insert-Kopfhörer
PythonVersion 3.9.19https://www.python.org
realTimeTractogramVisualizerVersion 0.1https://github.com/baranaydogan/realTimeTractogramVisualizer
rt-TEPhttps://github.com/iTCf/rt-TEP
Oberflächen-EMG-ElektromagneteAmbu A/SAmbu Neuroline 720
Oberflächen-EMG-ErdungselektrodeAmbu A/SAmbu Neuroline Boden
TAACwww.github.com/iTCf/TAAC
TMS-SystemNexstim PlcNexstim NBT 2.2.4Biphasischer Puls, gejittertes Interstimulus-Intervall 2– 2,4 Sek.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Fornito, A., Zalesky, A., Breakspear, M. The connectomics of brain disorders. Nat Rev Neurosci. 16 (3), 159-172 (2015).
  2. Stam, C. J. Hub overload and failure as a final common pathway in neurological brain network disorders. Netw Neurosci. 8 (1), 1-23 (2024).
  3. Siddiqi, S. H., et al. Brain stimulation and brain lesions converge on common causal circuits in neuropsychiatric disease. Nat Hum Behav. 5 (12), 1707-1716 (2021).
  4. Xu, M., et al. Reconfiguration of structural and functional connectivity coupling in patient subgroups with adolescent depression. JAMA Netw Open. 7 (3), e241933(2024).
  5. Fields, R. D. White matter in learning, cognition and psychiatric disorders. Trends Neurosci. 31 (7), 361-370 (2008).
  6. van den Heuvel, M. P., Sporns, O. A cross-disorder connectome landscape of brain dysconnectivity. Nat Rev Neurosci. 20 (7), 435-446 (2019).
  7. Momi, D., et al. Networklevel macroscale structural connectivity predicts propagation of transcranial magnetic stimulation. NeuroImage. 229, 117698(2021).
  8. Ozdemir, R. A., et al. Individualized perturbation of the human connectome reveals reproducible biomarkers of network dynamics relevant to cognition. Proc Natl Acad Sci U S A. 117 (14), 8115-8125 (2020).
  9. Massimini, M., Ferrarelli, F., Huber, R., Esser, S. K., Singh, H., Tononi, G. Breakdown of cortical effective connectivity during sleep. Science. 309 (5744), 2228-2232 (2005).
  10. Bortoletto, M., Veniero, D., Thut, G., Miniussi, C. The contribution of TMS–EEG coregistration in the exploration of the human cortical connectome. Neurosci Biobehav Rev. 49, 114-124 (2015).
  11. Rogasch, N. C., Fitzgerald, P. B. Assessing cortical network properties using TMS-EEG. Hum Brain Mapp. 34 (7), 1652-1669 (2013).
  12. MüllerDahlhaus, F., Bergmann, T. O. Network perturbationbased biomarkers of depression and treatment response. Cell Rep Med. 4 (6), 101086(2023).
  13. Bergmann, T. O., Varatheeswaran, R., Hanlon, C. A., Madsen, K. H., Thielscher, A., Siebner, H. R. Concurrent TMSfMRI for causal network perturbation and proof of target engagement. NeuroImage. 237, 118093(2021).
  14. Casali, A. G., Casarotto, S., Rosanova, M., Mariotti, M., Massimini, M. General indices to characterize the electrical response of the cerebral cortex to TMS. NeuroImage. 49 (2), 1459-1468 (2010).
  15. Solomon, E. A., et al. TMS provokes targetdependent intracranial rhythms across human cortical and subcortical sites. Brain Stimul. 17 (3), 698-712 (2024).
  16. Comolatti, R., et al. A fast and general method to empirically estimate the complexity of brain responses to transcranial and intracranial stimulations. Brain Stimul. 12 (5), 1280-1289 (2019).
  17. Casarotto, S., et al. Stratification of unresponsive patients by an independently validated index of brain complexity. Ann Neurol. 80 (5), 718-729 (2016).
  18. Dhami, P., et al. Prefrontal cortical reactivity and connectivity markers distinguish youth depression from healthy youth. Cereb Cortex. 30 (7), 3884-3894 (2020).
  19. Dhami, P., et al. Neurophysiological markers of response to theta burst stimulation in youth depression. Depress Anxiety. 38 (2), 172-184 (2021).
  20. Hadas, I., Hadar, A., Lazarovits, A., Daskalakis, Z. J., Zangen, A. Right prefrontal activation predicts ADHD and its severity: A TMS–EEG study in young adults. Prog Neuropsychopharmacol Biol Psychiatry. 111, 110340(2021).
  21. Hoy, K. E., Coyle, H., Gainsford, K., Hill, A. T., Bailey, N. W., Fitzgerald, P. B. Investigating neurophysiological markers of impaired cognition in schizophrenia. Schizophr Res. 233, 34-43 (2021).
  22. Kallioniemi, E., Daskalakis, Z. J. Identifying novel biomarkers with TMS–EEG – methodological possibilities and challenges. J Neurosci Methods. 377, 109631(2022).
  23. Sun, Y., et al. Indicators for remission of suicidal ideation following magnetic seizure therapy in patients with treatmentresistant depression. JAMA Psychiatry. 73 (4), 337-345 (2016).
  24. Lioumis, P., Rosanova, M. The role of neuronavigation in TMS-EEG studies: Current applications and future perspectives. J Neurosci Methods. 380, 109677(2022).
  25. Casarotto, S., et al. The rtTEP tool: realtime visualization of TMSevoked potentials to maximize cortical activation and minimize artifacts. J Neurosci Methods. 370, 109486(2022).
  26. Koch, G., et al. Precuneus magnetic stimulation for Alzheimer's disease: A randomized, shamcontrolled trial. Brain. 145 (11), 3776-3786 (2022).
  27. Casula, E. P., et al. Regional precuneus cortical hyperexcitability in Alzheimer's disease patients. Ann Neurol. 93 (2), 371-383 (2023).
  28. HernandezPavon, J. C., et al. TMS combined with EEG: Recommendations and open issues for data collection and analysis. Brain Stimul. 16 (2), 567-593 (2023).
  29. Hannula, H., Ilmoniemi, R. J. Basic principles of navigated TMS. Navigated Transcranial Magnetic Stimulation in Neurosurgery. , 3-29 (2017).
  30. Vitikainen, A. M., et al. Combined use of noninvasive techniques for improved functional localization for a selected group of epilepsy surgery candidates. NeuroImage. 45 (2), 342-348 (2009).
  31. Krieg, S. M., et al. Protocol for motor and language mapping by navigated TMS in patients and healthy volunteers; workshop report. Acta Neurochirurgica. 159 (7), 1187-1195 (2017).
  32. Lioumis, P., et al. A novel approach for documenting naming errors induced by navigated transcranial magnetic stimulation. J Neurosci Methods. 204 (2), 349-354 (2012).
  33. Lioumis, P., Kicić, D., Savolainen, P., Mäkelä, J. P., Kähkönen, S. Reproducibility of TMSevoked EEG responses. Hum Brain Mapp. 30 (4), 1387-1396 (2009).
  34. Rosanova, M., Casali, A., Bellina, V., Resta, F., Mariotti, M., Massimini, M. Natural frequencies of human corticothalamic circuits. J Neurosci. 29 (24), 7679-7685 (2009).
  35. Harquel, S., Bacle, T., Beynel, L., Marendaz, C., Chauvin, A., David, O. Mapping dynamical properties of cortical microcircuits using robotized TMS and EEG: Towards functional cytoarchitectonics. NeuroImage. 135, 115-124 (2016).
  36. Glasser, M. F., et al. A multimodal parcellation of human cerebral cortex. Nature. 536 (7615), 171-178 (2016).
  37. Cash, R. F. H., Zalesky, A. Personalized and circuitbased transcranial magnetic stimulation: Evidence, controversies, and opportunities. Biol Psychiatry. 95 (6), 510-522 (2024).
  38. Fox, M. D., Liu, H., PascualLeone, A. Identification of reproducible individualized targets for treatment of depression with TMS based on intrinsic connectivity. NeuroImage. 66, 151-160 (2013).
  39. Aydogan, D. B., et al. Realtime tractographyassisted neuronavigation for TMS. bioRxiv. , (2023).
  40. van den Heuvel, M. P., Hulshoff Pol, H. E. Exploring the brain network: A review on restingstate fMRI functional connectivity. Eur Neuropsychopharmacol. 20 (8), 519-534 (2010).
  41. Russo, S., et al. TAAC-TMS adaptable auditory control: A universal tool to mask TMS clicks. J Neurosci Methods. 370, 109491(2022).
  42. Fischl, B. FreeSurfer. NeuroImage. 62 (2), 774-781 (2012).
  43. Esteban, O., et al. fMRIPrep: A robust preprocessing pipeline for functional MRI. Nat Methods. 16 (1), 111-116 (2019).
  44. Tournier, J. D., et al. MRtrix3: A fast, flexible and open software framework for medical image processing and visualisation. NeuroImage. 202, 116137(2019).
  45. Qiao, Y., Shi, Y. Unsupervised deep learning for FODbased susceptibility distortion correction in diffusion MRI. IEEE Trans Med Imaging. 41 (5), 1165-1175 (2022).
  46. Irfanoglu, M. O., Modi, P., Nayak, A., Hutchinson, E. B., Sarlls, J., Pierpaoli, C. DRBUDDI (Diffeomorphic Registration for BlipUp blipDown Diffusion Imaging) method for correcting echo planar imaging distortions. NeuroImage. 106, 284-299 (2015).
  47. Veraart, J., Novikov, D. S., Christiaens, D., AdesAron, B., Sijbers, J., Fieremans, E. Denoising of diffusion MRI using random matrix theory. NeuroImage. 142, 394-406 (2016).
  48. Leemans, A., Jones, D. K. The Bmatrix must be rotated when correcting for subject motion in DTI data. Magn Reson Med. 61 (6), 1336-1349 (2009).
  49. Andersson, J. L. R., Skare, S., Ashburner, J. How to correct susceptibility distortions in spinecho echoplanar images: Application to diffusion tensor imaging. NeuroImage. 20 (2), 870-888 (2003).
  50. Kellner, E., Dhital, B., Kiselev, V. G., Reisert, M. Gibbsringing artifact removal based on local subvoxelshifts. Magn Reson Med. 76 (5), 1574-1581 (2016).
  51. Lee, H. H., Novikov, D. S., Fieremans, E. Removal of partial Fourierinduced Gibbs (RPG) ringing artifacts in MRI. Magn Reson Med. 86 (5), 2733-2750 (2021).
  52. Andersson, J. L. R., Sotiropoulos, S. N. An integrated approach to correction for offresonance effects and subject movement in diffusion MR imaging. NeuroImage. 125, 1063-1078 (2016).
  53. Tournier, J. D., Calamante, F., Connelly, A. Robust determination of the fibre orientation distribution in diffusion MRI: Nonnegativity constrained superresolved spherical deconvolution. NeuroImage. 35 (4), 1459-1472 (2007).
  54. Dhollander, T., Raffelt, D., Connelly, A. Unsupervised 3tissue response function estimation from singleshell or multishell diffusion MR data without a coregistered T1 image. Proc ISMRM Workshop Breaking Barriers Diffus MRI. , 5(2016).
  55. Jeurissen, B., Tournier, J. D., Dhollander, T., Connelly, A., Sijbers, J. Multitissue constrained spherical deconvolution for improved analysis of multishell diffusion MRI data. NeuroImage. 103, 411-426 (2014).
  56. Raffelt, D., Tournier, J. D., Crozier, S., Connelly, A., Salvado, O. Reorientation of fiber orientation distributions using apodized point spread functions. Magn Reson Med. 67 (3), 844-855 (2012).
  57. Raffelt, D., Tournier, J. D., Fripp, J., Crozier, S., Connelly, A., Salvado, O. Symmetric diffeomorphic registration of fibre orientation distributions. NeuroImage. 56 (3), 1171-1180 (2011).
  58. Schilling, K. G., et al. Limits to anatomical accuracy of diffusion tractography using modern approaches. NeuroImage. 185, 1-11 (2019).
  59. Noise and hearing loss. , CDC. Available from: https://www.cdc.gov/niosh/noise/about/noise.html (2024).
  60. Rossini, P. M., et al. Noninvasive electrical and magnetic stimulation of the brain, spinal cord, roots and peripheral nerves: Basic principles and procedures for routine clinical and research application. Clin Neurophysiol. 126 (6), 1071-1107 (2015).
  61. Rothwell, J. C., Hallett, M., Berardelli, A., Eisen, A., Rossini, P., Paulus, W. Magnetic stimulation: motor evoked potentials. Electroencephalogr Clin Neurophysiol Suppl. 52, 97-103 (1999).
  62. Awiszus, F. TMS and threshold hunting. Suppl Clin Neurophysiol. 56, 13-23 (2003).
  63. Seguin, C., Jedynak, M., David, O., Mansour, S., Sporns, O., Zalesky, A. Communication dynamics in the human connectome shape the cortexwide propagation of direct electrical stimulation. Neuron. 111 (9), 1391-1401.e5 (2023).
  64. Momi, D., Wang, Z., Griffiths, J. D. TMSevoked responses are driven by recurrent largescale network dynamics. eLife. 12, e83232(2023).
  65. Fitzgerald, P. B. Targeting repetitive transcranial magnetic stimulation in depression: Do we really know what we are stimulating and how best to do it. Brain Stimul. 14 (3), 730-736 (2021).
  66. Connolly, C. G., et al. Restingstate functional connectivity of subgenual anterior cingulate cortex in depressed adolescents. Biol Psychiatry. 74 (12), 898-907 (2013).
  67. Schmaal, L., et al. Cortical abnormalities in adults and adolescents with major depression based on brain scans from 20 cohorts worldwide in the ENIGMA Major Depressive Disorder Working Group. Mol Psychiatry. 22 (6), 900-909 (2017).
  68. Cash, R. F. H., Cocchi, L., Lv, J., Wu, Y., Fitzgerald, P. B., Zalesky, A. Personalized connectivityguided DLPFCTMS for depression: Advancing computational feasibility, precision and reproducibility. Hum Brain Mapp. 42 (13), 4155-4172 (2021).
  69. Cole, E. J., et al. Stanford accelerated intelligent neuromodulation therapy for treatmentresistant depression. Am J Psychiatry. 177 (8), 716-726 (2020).
  70. Hadas, I., et al. Association of repetitive transcranial magnetic stimulation treatment with subgenual cingulate hyperactivity in patients with major depressive disorder. JAMA Netw Open. 2 (6), e195578(2019).
  71. Mutanen, T. P., Ilmoniemi, I., Atti, I., Metsomaa, J., Ilmoniemi, R. J. A simulation study: comparing independent component analysis and signalspace projection-sourceinformed reconstruction for rejecting muscle artifacts evoked by transcranial magnetic stimulation. Front Hum Neurosci. 18, 1324956(2024).
  72. HernandezPavon, J. C., Kugiumtzis, D., Zrenner, C., Kimiskidis, V. K., Metsomaa, J. Removing artifacts from TMSevoked EEG: A methods review and a unifying theoretical framework. J Neurosci Methods. 376, 109591(2022).
  73. Rogasch, N. C., et al. Analysing concurrent transcranial magnetic stimulation and electroencephalographic data: A review and introduction to the opensource TESA software. NeuroImage. 147, 934-951 (2017).
  74. Mutanen, T. P., Metsomaa, J., Liljander, S., Ilmoniemi, R. J. Automatic and robust noise suppression in EEG and MEG: The SOUND algorithm. NeuroImage. 166, 135-151 (2018).
  75. Mutanen, T. P., Kukkonen, M., Nieminen, J. O., Stenroos, M., Sarvas, J., Ilmoniemi, R. J. Recovering TMSevoked EEG responses masked by muscle artifacts. NeuroImage. 139, 157-166 (2016).
  76. Mutanen, T., Mäki, H., Ilmoniemi, R. J. The effect of stimulus parameters on TMS-EEG muscle artifacts. Brain Stimul. 6 (3), 371-376 (2013).
  77. Rogasch, N. C., Thomson, R. H., Daskalakis, Z. J., Fitzgerald, P. B. Shortlatency artifacts associated with concurrent TMS-EEG. Brain Stimul. 6 (6), 868-876 (2013).
  78. Siddiqi, S. H., Weigand, A., PascualLeone, A., Fox, M. D. Identification of personalized transcranial magnetic stimulation targets based on subgenual cingulate connectivity: An independent replication. Biol Psychiatry. 90 (10), e55-e56 (2021).
  79. Williams, N. R., et al. Highdose spaced thetaburst TMS as a rapidacting antidepressant in highly refractory depression. Brain. 141 (3), e18(2018).
  80. Lioumis, P., et al. Study design for navigated repetitive transcranial magnetic stimulation for speech cortical mapping. J Vis Exp. , (2023).
  81. Lioumis, P., Zomorrodi, R., Hadas, I., Daskalakis, Z. J., Blumberger, D. M. Combined transcranial magnetic stimulation and electroencephalography of the dorsolateral prefrontal cortex. J Vis Exp. , (2018).
  82. Tervo, A. E., et al. Closedloop optimization of transcranial magnetic stimulation with electroencephalography feedback. Brain Stimul. 15 (2), 523-531 (2022).
  83. Trapp, N. T., Pace, B. D., Neisewander, B., Ten Eyck, P., Boes, A. D. A randomized trial comparing beam F3 and 5.5 cm targeting in rTMS treatment of depression demonstrates similar effectiveness. Brain Stimul. 16 (5), 1392-1400 (2023).
  84. Fitzgerald, P. B., Maller, J. J., Hoy, K. E., Thomson, R., Daskalakis, Z. J. Exploring the optimal site for the localization of dorsolateral prefrontal cortex in brain stimulation experiments. Brain Stimul. 2 (4), 234-237 (2009).
  85. Trapp, N. T., et al. Reliability of targeting methods in TMS for depression: Beam F3 vs 5.5 cm. Brain Stimul. 13 (3), 578-581 (2020).
  86. MirMoghtadaei, A., et al. Concordance between Beam F3 and MRIneuronavigated target sites for repetitive transcranial magnetic stimulation of the left dorsolateral prefrontal cortex. Brain Stimul. 8 (5), 965-973 (2015).
  87. Sun, Y., et al. Magnetic seizure therapy reduces suicidal ideation and produces neuroplasticity in treatmentresistant depression. Transl Psychiatry. 8 (1), 253(2018).
  88. Hui, J., et al. Altered interhemispheric signal propagation in schizophrenia and depression. Clin Neurophysiol. 132 (7), 1604-1611 (2021).
  89. Berlim, M. T., van den Eynde, F., TovarPerdomo, S., Daskalakis, Z. J. Response, remission and dropout rates following highfrequency repetitive transcranial magnetic stimulation (rTMS) for treating major depression: A systematic review and metaanalysis of randomized, doubleblind and shamcontrolled trials. Psychol Med. 44 (2), 225-239 (2014).
  90. Fitzgerald, P. B., Hoy, K. E., Anderson, R. J., Daskalakis, Z. J. A study of the pattern of response to rTMS treatment in depression. Depress Anxiety. 33 (8), 746-753 (2016).
  91. Nieminen, J. O., et al. Multilocus transcranial magnetic stimulation system for electronically targeted brain stimulation. Brain Stimul. 15 (1), 116-124 (2022).
  92. Daneshszand, M., Navarro de Lara, L., Makarov, S., Meng, Q., Nummenmaa, A. A modular multichannel TMS system with threeaxis coil design. Brain Stimul. 16 (1), 134(2023).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Kortikale ErregbarkeitKonnektivit t des Gehirnstranskranielle MagnetstimulationElektroenzephalografiefunktionelle Konnektivit tkortikales MappingBiomarker Entdeckung

Verwandte Artikel