Доклад на IV международной конференции
"Современное состояние методов неинвазивной диагностики в медицине",
Украина, Крым, Гурзуф, 1997 г.

Использование стационарной дипольной модели для трехмерной локализации источников ВП в системе "Энцефалан 131-03"

 Н.В. Герасименко, В.В. Гнездицкий, А.Н. Луцев, А.А. Скоморохов 

В течение уже длительного времени анализ вызванных потенциалов позволяет весьма успешно выявлять наличие патологии во многих клинических случаях. Тем не менее несмотря на десятки лет исследований (и тысячи публикаций) основным методом анализа до сих пор остается исследование только амплитуд и латентностей. Остальная информация содержащаяся в сигнале вызванного отклика игнорируется. Регистрируемые изменения показывают только то что некоторое изменение произошло, но не позволяют судить о том какого типа изменение и в каком нейрогенераторе оно имело место. Метод локализации дипольного источника (виртуальная дипольная модель) возник и развился на задачах локализации пароксизмальной активности мозга. И соответственно наиболее успешно решает именно эти задачи. Среди российских нейрофизиологов этот метод стал популярен после публикации ряда работ В.В.Гнездицкого и Ю.М. Коптелова. Первой отечественной коммерческой реализацией этого метода стала программа фирма МБН г.Москва. Стационарная дипольная модель была предложена Шергом (Scherg Von Cramon) и реализована в системе «BESA» фирмы «Neuro Scan». Программа «BESA» в основном ориентирована на локализацию источников ВП различных модальностей. В настоящее время метод Шерга является основным методом, позволяющим поставить в соответствие вызванным потенциалам, записываемым со скальпа их эквивалентные источники: дипольные генераторы внутри мозга.

Такие программы трехмерной локализации источников электрической активности мозга как «BrainLoc» и   программа трехмерной локализации в системе «Энцефалан 131-01» использовали только виртуальную дипольную модель. Т.е. такую модель, при которой мгновенный временной срез однозначно определяет некоторую конфигурацию диполей внутри мозга.        Виртуальная дипольная модель имеет ряд существенных недостатков, которые не позволяют ей достаточно эффективно использовать всю информацию, содержащуюся в сигнале вызванного отклика. Остановимся на этом более подробно. При локализации источников по виртуальной модели картина генерации ВП существенно смазана, т.к. виртуальные диполи отражают только мгновенную активность мозга в различные моменты времени. Мы видим как бы застывший процесс распространения нейроволн. Представление об истинных - электроанатомических источниках можно получить только при локализации всего сигнала. Истинные источники проявляются компактными скоплениями виртуальных диполей. В некоторых случаях наблюдается так называемое явление трассировки диполей - когда виртуальные диполи образуют достаточно гладкие пространственные кривые. При этом никакой информации о фазах взаимной активности источников, последовательности их возбуждения и скорости распространения сигнала виртуальная модель  не дает. Трассировка тоже лишь косвенным образом дает представление о распространении сигнала между переключателями. В стационарной модели само явление трассировки хорошо объясняется совместной работой двух и более стационарных источников.

В отличие от виртуальной дипольной модели, стационарная модель базируется на априорном знании количества источников электрической активности, их   координат и   размеров каждого источника.

Дипольные источники стационарной модели действуют на протяжении всей эпохи, у них   изменяется значение модуля и ориентация дипольного момента. В пространстве они перемещаться не могут, но могут колебаться вокруг своих центров в пределах размеров источника.

Сам процесс работы со стационарной дипольной моделью существенно отличается от работы с виртуальной моделью. Перед началом локализации, пользователь, основываясь на своих представлениях о физиологии генерации конкретного вида ВП, задает некоторую пространственную конфигурацию дипольных источников.   Он может выбрать уже существующую конфигурацию из библиотеки или создать новую. Далее, программа пытается объяснить все компоненты этого ВП путем подбора функций взаимодействия стационарных дипольных источников модели. Критерием соответствия выбранной модели служит функция остаточной ошибки. В стационарной модели функция остаточной ошибки непрерывна, в отличие от виртуальной модели, где эта функция была дискретной. Анализируя график функции остаточной ошибки, пользователь видит на каких временах латентности, модель не отвечает заданной точности. Он может либо вручную откорректировать модель либо запустить режим оптимизации. Этот режим в пределах заданных ему параметров может изменить координаты и количество дипольных источников модели. Пользователь должен задавать такие ограничения для режима оптимизации, чтобы автоматически улучшенная модель не противоречила физиологическим представлениям о процессе генерации ВП. Путем нескольких итераций пользователь может добиться хорошего согласования модели и данных ВП. Полученная модель сохраняется в библиотеке моделей причем для каждого вида ВП своя библиотека.

При накоплении достаточно большого статистического материала   можно произвести усреднение моделей и получить средние и дисперсии по каждому из параметров модели. Усредненная модель может использоваться как вариант нормы для определенной возрастной группы. Сравнение модели ВП отдельного пациента с групповой моделью позволяет выделить и визуализировать значимые отличия. В дальнейшем на базе полученных библиотек может быть накоплен материал для клинического применения.

Собственно получение дипольной конфигурации и временных функций генераторов для каждого конкретного ВП и представляет собой обработку данных методом стационарной дипольной модели. Под временными функциями генераторов мы будем понимать временные зависимости для модуля дипольного момента, угловых частот его вращения, параметров описывающих колебательные процессы источников, ковариационные матрицы связей и т.д.

Несмотря на то, что для вызванных потенциалов отношение Сигнал/Шум значительно лучше, чем для спонтанной ЭЭГ, одной из основных проблем в настоящей работе является проблема подавления шумов. Повышение точности локализации путем   улучшения сходимости малоэффективно, т.к. в исходном сигнале присутствует остаточный шум, а высокая сходимость говорит только о том, что на него сделана поправка и истинные координаты источников исказились. Поэтому необходимо произвести декомпозицию Сигнал - Шум способом имитационного моделирования. Причем использование в моделях синтетического гауссового шума не приводит к существенному выигрышу. Одним из способов повышения реализма имитации шума является генерация выборки остаточного шума на основе реальных ЭЭГ - эпох. Например, выборку остаточного шума при оценке усредненной ВП - эпохи (по 100 сырым откликам) можно генерировать методом усреднения 100 случайных эпох фоновой (не связанной с событием) ЭЭГ того же пациента. Далее строится матрица ковариации шума и методом Монте-Карло производится оценка ошибок локализации источников вызванных наличием в сигнале остаточного шума.

Новая программа трехмерной локализации источников для анализатора ЭАМ «Энцефалан-131-03» наряду с виртуальной и стационарной дипольными моделями содержит режим математического моделирования ЭЭГ-подобного сигнала. В основе моделирования заложено использование стационарной дипольной   модели и явное задание временных диаграмм источников. Пользователь задает конфигурацию диполей, временные диаграммы активности для каждого источника, модель шума, параметры рандомизации. Программа генерирует заданное количество эпох ЭЭГ - подобного сигнала, который записывается в файл в виде ЭЭГ исследования. В дальнейшем этот файл может быть обработан любым методом количественного анализа. Сигнал можно усреднить по эпохам с получением на выходе ВП - подобного сигнала записанного в формате ВП исследования. Особый интерес представляет локализация сигнала полученного моделированием по виртуальной модели. Поскольку речь идет о модели, то априорно известно, как на самом деле выглядит конфигурация дипольных источников и как они ведут себя во времени, с другой стороны пользователь видит скопления виртуальных диполей или   образованные ими гладкие трассы. Сопоставляя и дополняя полученные результаты, можно прийти к более глубокому пониманию работы этих математических моделей, что несомненно окажется весьма полезным и при работе с реальными ЭЭГ - сигналами.