Targeting of transcranial magnetic stimulation with multidimensional Bayesian optimization

Abstract

Transcranial magnetic stimulation (TMS) is a non-invasive brain stimulation technique that allows direct perturbation of brain activity without reliance on afferent pathways. TMS is applied for treatment of psychiatric and neurological disorders, mapping of cortical functional areas, and it has wide experimental utility in neuroscience research. However, achieving the desired brain activation requires careful mapping and manual targeting of the magnetic pulses; procedures that are both user-dependent and time-consuming. The new TMS technology that allows electronic adjustment of stimulation location and orientation, called multi-locus TMS (mTMS), enables shifting such procedures from manual to automatic through utilization of machine learning algorithms.

In this Thesis, a one-dimensional algorithm for automatic targeting in the primary motor cortex, utilizing Bayesian optimization, is expanded to work in three (location in two dimensions, orientation) and four dimensions (location, orientation, intensity). The algorithm aims to optimize peripheral muscle twitches elicited by the TMS pulse (MEPs). This Thesis further explores the utility of such an algorithm to minimize the effect of cranial muscle activation by TMS on the quality of electroencephalography (EEG) data and on the subject’s comfort. Detailed maps of cortical representation areas of MEPs and scalp-muscle activation over the primary motor cortex were acquired as developmental data in two subjects. The developed algorithm was tested offline on this developmental data. The algorithm’s accuracy and convergence time were calculated, and the results were compared with those of previous works.

This Thesis demonstrates that automatic mapping of the motor hotspot is feasible with mTMS technology with an average accuracy of 3.7 mm and 7.7° in three dimensions, and 4.1 mm and 9.7° in four dimensions. Average convergence rates were 46 and 52 trials for each algorithm version, respectively. Minimization of scalp-muscle activation was also successful, and artefact-free stimulation locations were found in an average of 42 trials. This work is a step towards automated, fast target selection using mTMS and the first to demonstrate the feasibility of automatic targeting in more than one dimension.

Transkraniell magnetstimulering (TMS) är en icke-invasiv hjärnstimuleringsmetod som tillåter direkt modulering av hjärnaktivitet utan att vara beroende av afferenta nervbanor. TMS används för behandling av psykiatriska sjukdomar och nervsjukdomar, kartläggning av kortikala funktionella områden och har bred experimentell användbarhet inom neurovetenskaplig forskning. Det krävs dock noggrant kartläggande och manuellt riktande av de magnetiska pulserna för att uppnå den önskade hjärnaktiveringen; en procedur som är både användar-beroende och tidskrävande. Ny avancerad TMS-teknik som tillåter elektronisk justering av stimuleringsparametrar (plats, vinkel), kallad mång-locus TMS (mTMS), möjliggör överföring av sådana procedurer från manuella till automatiska genom användning av maskininlärningsalgoritmer.

I detta diplomarbete utvidgas en endimensionell algoritm för automatisk TMS-riktning med Bayesiansk optimering till att fungera i tre dimensioner (placering på en yta, vinkel) och fyra dimensioner (plats, vinkel, intensitet). Algoritmen strävar att optimera perifera muskelsammandragningar producerade med TMS. Diplomarbetet undersöker ytterligare användbarheten av algoritmen för att minimera effekten av direkt kranial muskelaktivering genom TMS på signal-kvaliteten i TMS-kombinerad elektroencefalografi (EEG) och på patientens bekvämlighet under stimulering. Detta arbete inkluderar detaljerad kartläggning av muskelaktiveringsfördelningar över den primära motoriska hjärnbarken i två försökspersoner som data för algoritmutveckling. Den utvecklade algoritmen testades på denna data. Algoritmnoggrannhet och konvergenstid beräknades och resultaten jämfördes med tidigare arbeten.

Denna avhandling visar att automatisk kartläggning av muskelrepresentations-områden är genomförbart med mTMS-teknologi med en noggrannhet på 3,7 mm och 7,7° i tre dimensioner och 4,1 mm och 9,7° i fyra dimensioner. Algoritmen konvergerade i medeltal i 46 och 52 försök för respektive version. Minimering av muskelaktivering var också framgångsrik, och artefaktfria stimuleringsplatser hittades i medeltal i 42 försök. Detta arbete är ytterligare ett steg mot automatiserat, snabbt val av stimuleringsmål med hjälp av mTMS, och det första som demonstrerar dess genomförbarhet i mer än en dimension.