经颅磁刺激(transcranial magnetic stimulation, TMS)是一种无创刺激大脑皮层的方法，可用于精神类疾病治疗，如抑郁症和焦虑症。虽然有许多使用8字形线圈的TMS定位方法，但许多方法没有考虑到解剖结构上的个体差异，或者不能推广到所有靶点。本方案将功能磁共振成像(fMRI)和electric-field(即E-field)建模相结合，以通用化方法进行针对特定被试的靶向TMS，即优化刺激部位和TMS线圈方向。在使用本方法时，用户应该(i)定义感兴趣区域(region of interest, ROI)，(ii)从结构MRI数据生成头部模型，(iii)对功能MRI数据进行预处理，(iv) 在ROI内识别单个被试的刺激位点，以及(v)进行E-field建模以识别最优线圈取向。与标准的靶向定位方法相比，该方法(i)被试间刺激部位的可变性降低，(ii)头皮-皮质-靶点的距离降低，以及(iii)最佳线圈方向的可变性降低。该方案的执行需要具备结构和功能MRI数据处理的中等水平。该方法需要约24小时完成，并且表明将受约束的fMRI靶向定位与迭代E-field建模相结合，可以作为优化TMS线圈位置及其取向的通用方法。本文发表在Nature Protocols杂志（可添加微信号siyingyxf或18983979082获取原文及补充材料）。思影曾做过多篇经颅磁及脑刺激相关文章解读，可结合阅读，增进理解，获得启发（直接点击即可浏览，红色部分为我个人比较推荐的文章）：
经颅磁刺激与行为
经颅电刺激对生理和病理衰老过程中情景记忆的影响
The Neuroscientist：整合TMS、EEG和MRI——研究大脑连接性
皮质成对关联刺激决策反应抑制：皮质-皮质间和皮质-皮质下网络
我们是如何感知行动的影响的？—关于中介感的任务态fMRI研究
使用刺激设备在神经回路调控层面对精神疾病进行治疗
AJP：基于环路神经调节的症状特异性治疗靶点
CURRENT BIOLOGY: θ和α振荡在工作记忆控制中作用的因果证据
BRAIN：TMS-EEG研究：大脑反应为卒中后的运动恢复提供个体化数据
皮质运动兴奋性不受中央区mu节律相位的调节
TMS–EEG联合分析在人类大脑皮层连接组探索中的贡献
人类连接体的个体化扰动揭示了与认知相关的可复现的网络动态生物标记物
重复经颅磁刺激产生抗抑郁效果的基础：全脑功能连接与与局部兴奋度变化
Science advances：非侵入性脑刺激技术的生理效应在整个皮层区
实时EEG触发的TMS对抑郁症患者左背外侧前额叶皮层进行脑振荡同步刺激
经颅直流电刺激对双相情感障碍患者奖赏回路的影响
运动皮层同步对先兆亨廷顿病患者运动功能节律性
Nature子刊：卒中的可塑性调控:一种新的神经功能恢复模型
对PTSD和MDD共病患者的TMS临床治疗反应的脑网络机制的探索
创伤后应激障碍（PTSD）的功能连接神经生物标记
MDD患者rTMS治疗与亚属扣带回（SGC）亢进的关系
精神分裂症在感觉运动控制，皮层兴奋性中缺损的注意调控
AJP:经颅磁结合脑网络研究：精神分裂症的小脑-前额叶网络连接
经颅交流电刺激（tACS）有助于老年人工老年人工作记忆的恢复
深部经颅磁刺激促进肥胖症患者减肥
TMS+EEG研究：右侧额下回对复杂行为的实现至关重要
Biological Psychiatry: 经颅磁刺激前额皮层增强人类恐惧记忆的消退
JAMA Psychiatry：经颅直流电刺激背外侧前额叶减少特质焦虑个对威胁刺激的反应
tACS结合EEG研究:创造力的神经机制
任务态fMRI研究：TMS刺激选择性改变情景记忆网络的功能
阅读训练和经颅直流电刺激可以提高中央型失语症人群的阅读能力
重度抑郁患者DLPFC抑制和兴奋的TMS-EEG标记物
脑电结合经颅刺激研究：躯体感觉皮层在亲社会行为中的因果作用
AJP:使用ASL灌注导向的经颅磁刺激治疗强迫症
NEJM:Waving Hello to Noninvasive Deep-Brain Stimulation
利用健康大脑的经颅磁刺激识别能够预测中风后语言能力是否异常
Biological Psychiatry: 利用脑成像改善经颅磁刺激治
θ短阵快速脉冲刺激治疗青年抑郁症的神经机制
经颅交流电刺激(tACS)：使大脑节律同步以提高认知能力
经颅磁刺激(Transcranial magnetic stimulation, TMS)是一种通过对头皮施加强磁脉冲来无创刺激大脑皮层的方法。随着神经导航技术和8字形线圈的出现，有可能以亚厘米精度靶向定位特定的皮层区域。利用这种空间分辨率的改进，可以使用TMS以高度的功能特异性调节正在进行的认知过程。然而，要完全做到这一点，我们必须(i)掌握感兴趣功能相应的皮质定位先验知识，以及(ii)使用这些知识来定义特定被试的靶点。虽然有许多TMS靶向定位的方法，例如用于抑郁症治疗的靶向刺激背外侧前额叶皮质(dorsolateral prefrontal cortex, dlPFC)的5-cm规则，但使用fMRI和神经导航技术定位特定被试的靶区可以获得更高的精度。fMRI是在认知实验范式中常见的研究大脑活动的方法，它可以得到特定被试任务状态下的全脑高清血流代谢活动图。许多认知范式已经实现了MR环境的兼容，从而有可能表征介导一系列不同认知过程的神经活动。Sack等人的研究表明，与10-20系统脑电图(electroencephalogram, EEG)导向、单一被试MRI导向和群组水平fMRI导向的TMS相比，使用单一被试fMRI导向的靶向TMS效果最好。然而，尽管fMRI定位有明显的好处，但在使用单个被试数据时，fMRI数据的功能定位可能是可变的，特别是在额叶区域，那里的解剖结构在被试之间可能有很大差异。另外，由于fMRI的信噪比通常较低，目前尚不清楚fMRI导向的TMS靶向定位过程中的被试间差异有多少是真实的解剖差异，而不是fMRI数据中的噪声。因此，当使用fMRI来导向TMS定位时，利用基础解剖学的先验知识来限制潜在靶点的可变性是至关重要的。除了被试之间功能定位的高度可变性之外，fMRI只能确定8字型TMS线圈中六个可能的运动轴中的三个：即确定x，y，z位置的轴。TMS对神经功能的影响有一部分取决于线圈相对于解剖结构的方向；因此，在选择刺激部位时，还必须考虑决定线圈方向的其他三个运动轴(翻滚角、俯仰角和偏航角，这些是三维地图渲染时表示模型的旋转量经常用到的指标，可以在这里进一步了解：https://blog.csdn.net/free1985/article/details/76559988)。E-field建模的最新进展使得在给定线圈位置和方向的情况下估计大脑中感应电流的幅度和方向成为可能。因此，通过在多个方向上迭代E-field模型，可以评估每个模型的潜在效果并确定最佳方向。本文方法使用fMRI为个体被试选择最佳TMS刺激位点，并使用E-field建模优化刺激位点的线圈方向。该方案在以前的基于任务和静息态的fMRI研究中用于靶向刺激与焦虑相关的额叶和顶叶区域。第一项研究的靶点是右侧dlPFC。这种靶向定位方法的基本原理是使用高频(10-Hz)重复TMS(rTMS)增强右侧dlPFC的工作记忆(working memory, WM)过程，并使用不可预测的电击威胁，来测量这种操作对焦虑型恐吓增强(anxiety-potentiated startle, APS)的影响。我们使用之前在Sternberg WM任务中采集的fMRI数据来构建右侧dlPFC的二值mask。然后，我们使用Sternberg WM范式在单个被试水平上采集右侧dlPFC中的血氧水平依赖性(blood oxygenation level–dependent, BOLD)活动。由于有功能的mask，我们能够将单个被试水平获得的fMRI峰值位置限制在预先定义的右侧dlPFC区域，该区域已经被证明对WM相关处理很重要。第二项研究的靶区是顶叶内皮层(intraparietal cortex, IPS)，先前研究表明该区域是焦虑相关过程的连接中枢。这种靶向定位方法的基本原理是使用低频(1-Hz) rTMS来降低该连接中枢的兴奋性。我们以双侧IPS的组水平峰值坐标为中心，绘制了半径10-mm的球体。然后，我们采集每个被试的静息态fMRI，计算全脑连接，并在这些球体范围内选择与大脑其余部分连通性最强的体素。在这两项研究中，我们都能够使用基于组水平的mask或单个被试水平的映射来识别可靠的个体化TMS靶点。该方法中使用的E-field建模方法是由Thielscher等人开发的，他们开发了SimNIBS软件包。在上述研究中，我们在Thielscher等人工作的基础上，通过改变偏航角矢量方向和使用上述组水平ROI对结果图进行采样，迭代创建E-field模型。这种方法使我们能够从E-field模型中总结和提取有用的数据，并基于这些数据，系统确定被试的线圈放置。这一发展的关键是一个潜在的假设，即在理论上的ROI(即组水平的右侧dlPFC或IPS的mask)中最大化感应电流，可以使TMS的潜在效果最大化。这个假设应该在以后的工作中得到严格的检验。在该方案的开发过程中，我们希望创建一个简单可靠的数据分析策略，该策略可以优化每个被试线圈放置所需的所有位置轴。我们在开发过程中面临的一个挑战是，不同的软件平台(即AFNI、FSL、FreeSurfer、SimNIBS、Brainsight)对数据的读写有不同的规定。这些差异包括轴方向编码的变化(即右前上(right anterior superior, RAS)、右前下(right anterior inferior, RAI)、左后下(left posterior inferior, LPI))，不同的坐标系(即RAS、表面-RAS、原始空间、蒙特利尔神经研究所定义的空间(Montreal Neurological Institute, MNI))、不同的几何形状(例如基于体积的和基于表面的)和不同的文件类型(例如MGH-NMR压缩的和NIfTI格式的)。这些差异可能导致不同工具创建的文件之间配准时出错。尽管大错误通常很容易被发现，但小错误可能会被忽视。此外，通常不清楚如何转换数据(尤其是靶点坐标)来纠正这些错误。为了克服这些挑战，我们实施了以下基本策略：( I )在将平面回波图像(echo planar images, EPIs)和组水平ROI mask配准到T1图像之前，使用SimNIBS生成头部模型。该方法可以确保基于体积的EPI和mask数据正确配准到基于表面的头部模型。(ii)将所有必要的靶点数据存储为NIfTI文件，并与被试表面对齐的T1图像共配准。例如，我们会为被试的刺激部位绘制一个以靶点为中心的5-mm球体，并将其保存为一个NIfTI文件。这个处理是为了避免对坐标文件的误读(即当一组坐标被编码为RAI时，将其解释为LPI)，因为T1和坐标叠加层编码方式相同。(iii)最后，将空间变换前后的数据可视化。这是为了确保正确地应用空间变换。使用fMRI来定位刺激部位是目前神经科学研究中rTMS定位的常用方法。在这里，我们描述了一种使用标准MRI和fMRI扫描以及免费软件进行fMRI导向rTMS的方法。这种方法改进了以前的方法，因为它解释了单一被试fMRI中高度可变的空间模式。此外，它使用迭代E-field建模来优化TMS线圈手柄的方向。重要的是，这里描述的方法不是特定于任何任务或脑区的。相反，它可以推广到任何明确定义的理论靶区。我们的方案的优势之一是它不受靶区规格的限制，这意味着如果用户的靶区是一小块皮层，他们可以使用个体fMRI峰值激活的小球形区域对E-field进行采样。或者，如果用户的靶点是整个脑区，他们可以以更大的区域ROI对E-field进行采样。这使得用户能够针对想要调控的行为，基于先验的皮层对行为的影响的假设来优化靶区；然而，ROI大小的选择应该基于先验数据对靶区结构和功能的解释。当前方案的一个局限性是它不能直接解释皮层表面和局部E-field之间的相对角度。相反，该方案使用E-field的大小，而不考虑电流方向。这在TMS的神经激活中发挥了多大的作用仍是一个悬而未决的问题。例如，Weise等人表明，相切于M1皮层的场对确定运动诱发电位(motor evoked potential, MEP)振幅至关重要。相比之下，Aberra等人报告说，无论场方向如何，场大小都是神经激活的重要预测因子。因此，优化ROI内沟回的E-field矢量分量是很有用的，这可以在SimNIBS软件中E-field建模时选择E-field矢量输出来完成。然而，我们没有这样做，因为很难在运动皮层之外无创地测试这两种模型(E-field矢量分量和强度)的预测准确性，而在运动皮层内通常不存在可靠的神经激活行为测量。另一个限制是，在数据采集和进行任何TMS之间需要24到48小时，使得单疗程扫描/TMS不可能实现。在本方案中，我们描述了一种使用fMRI和E-field建模来优化刺激部位和TMS线圈方向(即所有六个运动轴)的通用方法(见方框1和图1的概述)。要应用这种方法，用户将需要三个关键要素:(i)高分辨率结构和扩散扫描;(ii) EPI扫描，用以生成可靠的单被试fMRI数据;(iii)靶区的结构mask，用以限制对单被试靶区的定位。
方框1用于TMS线圈位置优化的参数定义。本方案的目的是提供一种通用的方法来优化线圈在TMS中的位置。在这里，我们根据欧式空间中的位置(即x、y、z坐标)和方向(翻滚角、俯仰角和偏航角)来定义线圈位置。使用单被试功能神经成像数据(例如，基于任务或静息态的fMRI)确定位置。翻滚角和俯仰角垂直于刺激部位的头皮。偏航角采用电场模型确定。
a, 在Sternberg WM任务期间收集的功能数据中获得组水平靶区mask的示例。b, 在Sternberg WM任务中，单个被试的BOLD数据。d, b中BOLD图像得到的靶区mask内的峰值激活。f, 在神经导航软件中，单个被试头皮上E-field随线圈方向变化的函数可视化。g, 在d中单次治疗靶点坐标下TMS线圈放置的标记。图上的标签对应方案中的章节标题。
为了应用该方案，用户必须首先确定皮质靶区，并在标准空间中创建ROI mask来定义靶区。这个定义应该基于以前的研究。用户能够基于单个被试的fMRI数据可靠地定位他们的ROI是非常重要的。接下来，用户需要收集必要的MRI/fMRI数据，并在单个被试水平上处理数据。应使用结构数据为E-field计算创建一个真实的头部模型。使用功能数据在单个被试水平上确定最佳刺激部位。使用头部模型和特定被试刺激部位的坐标，用户应进行一系列E-field建模，每次仿真时改变偏航矢量的角度。最后，用户应该评估电场模型，以确定哪个偏航矢量在靶区引起最大的电流。
为了开发该方案，我们以右侧dlPFC为靶区，并使用三种不同的先验方式(解剖、功能和元分析)和第四种方式(无约束)定义靶区，其中第四种方式是不推荐的，使用该方式是为了表明在使用单被试fMRI数据进行靶向定位时，需要使用先验解剖定义来约束靶区搜索。该靶区定义步骤应先于数据收集，因为数据应在单个被试水平上实时分析，以便在单个被试的基础上得到TMS靶区信息。我们发现，功能mask和基于NeuroSynth数据库(https://neuro ynth . org/)的元分析获得的mask对靶区的估计几乎没有差异。因此，当无法获得功能数据时，NeuroSynth可能是一种定义理论靶区的方便方法。
为了确定单个被试水平的最佳右侧dlPFC靶点，我们让被试进行了Sternberg WM任务，并记录BOLD活动(图2)。在每次试验中，被试都被呈现一系列字母，并被指示要么按照字母呈现的顺序记住它们(记忆保持)，要么按照字母顺序重新排列字母(记忆排序)。在回答时，参与者会看到一个字母和一个数字，并必须指出字母在系列中的位置是否与数字匹配。共有52项试验，包括三种试验类型：记忆保持的五字母试验、记忆保持的八字母试验和排序的五字母试验。我们设计记忆保持的五字母试验和排序的五字母试验之间的对比矩阵来识别与WM相关的活动(图2)。我们计算了排序的五字母试验和记忆保持的五字母试验之间BOLD活动的差异，作为WM相关的BOLD活动的衡量标准。我们选择这项任务是因为以往研究表明它能可靠地激活dlPFC，这很重要，因为单被试的fMRI具有非常低的信噪比。该方案的用户应该确定一个类似的鲁棒性强的任务来研究他们的目标ROI。除了选择一个稳健和鲁棒的任务来激活右侧dlPFC，我们还使用先验的ROI masks来限制单个fMRI峰值的搜索区，这意味着刺激位置被定义为ROI内排序任务相对于记忆保持任务的峰值激活差异体素。这一步对于克服单一被试fMRI数据的固有噪声至关重要。
在确定每个被试的刺激部位后，我们进行了E-field建模，从而估计刺激感兴趣部位时可能出现的电流分布。鉴于线圈相对于皮质解剖结构的方向会影响电流分布，我们在刺激位点沿垂直于头皮的圆形区以15度增量改变偏航矢量方向，构建了多个E-field模型。然后，我们通过估计刺激部位(由5-mm球体定义)或整个ROI(由先前步骤定义的ROI mask)内的总体电流分布，对这些电场模型进行对比评估。在被试之间，当在刺激部位取样时，对电流分布的估计比在整个ROI取样更具可变性。基于此处给出的结果，我们建议：(i)在一组独立的被试中从基于任务的BOLD活动中生成一个功能mask，(ii)在上述mask内确定单个被试靶区，(iii)通过ROI水平的统计分析进行迭代E-field建模，来优化TMS线圈方向，以及(iv)在任务期间使用该任务来激活靶区，以实现成对关联刺激效果。遵循这些建议有望改进精确靶区定位相关的研究，例如被试之间更一致的靶点、更可靠的E-field模型估计以及被试之间更一致的线圈方向。考虑到TMS的剂量会受到诸如头皮到皮层距离等细节的影响，这些改进也会导致被试的剂量更加一致。如果您对脑影像数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第三十六届磁共振脑影像基础班（南京，2021.1.6-11）
第十一届磁共振脑影像结构班（南京，1.12-17)
第十九届磁共振脑网络班（南京，1.18-23)
第三十八届脑影像基础班（南京，2.23-28）
第七届任务态fMRI专题班(重庆，1.14-19）
第三十七届磁共振脑影像基础班（重庆，1.23-28）
第二十届磁共振脑网络数据处理班（重庆，2月27-3月4日）
第十四届脑影像机器学习班（重庆，3.12-17）
志愿者不得有任何MRI或TMS禁忌症。参与者是通过传单、广告和电子邮件从社区招募的。注意：必须获得参与者的书面知情同意。所有被试均给予书面知情同意，并获得时间补偿；我们的研究得到了国家精神健康研究所联合神经科学机构审查委员会(National Institute of Mental Health (NIMH) Combined Neuroscience Institutional Review Board)的批准。本方案需要采集T1、T2和弥散加权图像(diffusion-weighted images, DWIs)。此外，它需要收集基于任务或静息状态的fMRI数据表1总结了示例数据的扫描参数。这些图像是用西门子3T Skyra MRI设备采集的，使用32通道头部线圈。
T1加权和T2加权图像应具有高分辨率(< 1 mm，各向同性)，并覆盖整个大脑和头皮。可以不用T2加权图像，但T2像可以提高组织分割的准确性。弥散加权图像(Diffusion-weighted images, DWIs)应具有足够的分辨率(< 2 mm，各向同性)，单b值，并且至少有30个方向EPI图像的参数取决于用于定位的任务，但是EPI数据应具有足够的分辨率和质量来定位感兴趣的靶区。·补充材料中包括了示例数据集。方框2中给出了示例数据集中的文件概要说明。
关键点：▲该方案在最新Linux发行版(如Fedora、Ubuntu)的工作站上运行。▲在GitHub上提供了对示例数据执行该方案的脚本：https://github.com/balders2/tms_targeting。▲在对示例数据执行该方案之前，用户应下载数据(补充材料)和脚本到他们的本地机器上：https://github.com/balders2/tms_targeting。接下来，用户应该下载下面列出的软件和依赖包。最后，用户应该按照步骤中的描述，按顺序执行脚本。AFNI (v.19.2.01或更高版本：https://afni.nimh.nih.gov/node/4)。这是一个分析和显示fMRI数据的工具箱；它在本方案中用作处理3D fMRI和E-field模型图像的主要工具箱。SimNIBS (v.2.1.2或更高版本：https://simnibs.drcmr.dk/)。这是一个Python包，用于进行TMS和经颅直流刺激(transcranial direct current stimulation, tDCS)的E-field建模。Python (v.2.7：https://www.Python.org/downloads/)、FreeSurfer (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall(或MATLAB，用于组织分割，见下文)、FSL(https://fsl.fmrib.ox.ac.uk/fsldownloads_registration/download/fsl=5,o_s=19,d_type=release/，用于弥散张量数据处理)。SimNIBS需要用于刺激的TMS线圈的线圈定义文件。虽然SimNIBS包括几个常见线圈的线圈定义文件，但可能需要联系设备制造商以获取有关其他线圈类型的更多信息。MATLAB (v.8.5 (R2015a)或更高版本：https://www.mathworks.com/downloads/)。本方案中的几个脚本是用MATLAB编写的，依赖于外部函数/工具箱(即Patch Normals和stlTools)。这些脚本已经上传到GitHub (https://github.com/balders2/tms_targeting)。然而，这些过程可以在其他开源软件环境中实现(例如Python)。Brainsight (v.2.3.5或更高版本：https://www.rogue-research.com/2017/05/Brainsight-2-3-5-released/)。这是一个在TMS治疗期间跟踪线圈相对于头部位置的程序。在该方案中创建的文件符合标准的NIfTI文件格式(https://NIFTI.nimh.nih.gov/)，因此应该与大多数神经导航系统兼容，例如Localite TMS Navigator (https://www.localite.de/en/products/tms-navigator/)。然而，在该方案中创建的文件还没有用其他神经导航系统进行测试。在示例数据上执行该方案所需的附加依赖包，参见：https://github.com/balders2/tms_targeting。 关键点：步骤流程不需要特定的目录结构或文件命名约定。但是，用户应该修改脚本以符合他们内部现有的命名约定和预处理流程。如果用户的数据与脑成像数据结构(Brain Imaging Data Structure, BIDS)(https://bids.neuroimaging.io/)兼容，只做微小修改即可(例如，修改脚本以识别用户的功能文件，所以还是尽量把数据组织为bids格式)。1.在数据采集之前，使用现有的组水平fMRI对比图像、NeuroSynth等工具的元分析结果、或某一模板下的解剖学区域，创建靶区的二值mask数据集。虽然mask的位置和范围将取决于用户的理论靶点，但是mask应该被创建为一组只包含1和0的数据，分别在标准空间(例如，MNI空间)中标记目标体素和非目标体素。2.如果靶区mask位于标准化的坐标空间中，请将一份NIfTI格式的模板文件保存到项目目录中，以便将mask与被试个体空间对齐。3.采集高分辨率(< 1 mm，各向同性)T1和T2数据，用于将被试的解剖结构分割成以下部分：皮肤、颅骨、脑脊液(cerebrospinal fluid, CSF)、灰质和白质。4.采集具有足够分辨率(< 2 mm，各向同性)的单个弥散加权扫描，单壳，最少30个方向，用于进一步了解白质中当前的扩散情况。5.采集必要的任务态和静息态EPI数据，用于定位感兴趣功能相关的活动。在靶区的最佳可用数据的基础上，选择用于定位的功能数据。6.使用SimNIBS中的mri2mesh分割不同的组织并划分网格，用于后续的有限元分析(参见https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/01.mri2mesh.csh)。通过在命令行终端中输入以下命令来执行代码：7.(可选)使用SimNIBS中的dwi2cond将弥散加权数据转换为电导率张量(参见https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/01.mri2mesh.csh)。如果弥散数据不可用，可以跳过这个可选步骤，在步骤13中假设各向同性组织电导率。8.由SimNIBS创建对齐靶区mask和T1 (表面已对齐，SimNIBS输出)的图像。如果目标区域是从标准空间中的组水平数据中获得的，则有必要将该mask与被试的个体空间配准，从而与E-field模型中使用的表面对齐(参见https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/01.mri2mesh.csh)。9.使用afni_proc.py脚本执行标准的fMRI预处理步骤：时间层校正、去异常峰值、体积校正、与T1对齐、masking、模糊、缩放、用异常时间点(对于任务态fMRI，均方根(root mean square, RMS) >0.5 mm)进行一级时间序列回归：(参见https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/02.afni_proc.csh)10.利用感兴趣的设计矩阵，提取单个被试峰值fMRI激活点坐标：(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/03.target.csh)。11.最后，将这些坐标同时保存为文本文件和球形ROI文件，这样可以加载到神经导航软件中：(皮层靶点，参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/03.target.csh)。E-field建模·时间：每个模型~20-30 min12.为E-field模型计算创建模板文件。为此，首先将mri2mesh(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/01.mri2mesh.csh)创建的网格文件(${subject}.msh)加载到SimNIBS的图形用户界面(graphical user interface, GUI)，然后检查表面是否有缺陷(参见SimNIBS手册)。13.然后加载与TMS线圈相对应的线圈定义文件(包含在SimNIBS安装中)，并指定“体积归一化”选项以使用E-field模型中的电导率张量。14.接下来，在TMS位置列表中输入fMRI激活坐标作为新项目。15.检查选项以NIfTI文件的形式输出规范化的E-field图。16.在SimNIBS GUI中，设置结果输出为MATLAB文件，该文件将作为E-field模型计算的模板。17.运行随附的MATLAB函数(https://github.com/balders2/tms_targeting/blob/master/mfiles/vect_target_wrapper.m)，复制模板文件并更新待测试的每个方向的偏航矢量(默认为24个方向，以15度为增量)(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/04.efield_template.csh)。18.对每个偏航矢量运行一次SimNIBS命令来生成E-field图，从而建立E-field模型(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/05.simnibs.csh)。19.将E-field体积重采样至EPI分辨率(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/06.3dresample.csh)：20.在给定相应的刺激部位和线圈手柄方向下，对E-field NIfTI体积进行采样，利用靶区ROI获得可能被激发的电流量(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/07.3dmaskave.csh)：21.沿着每个偏航矢量绘制一组球体，并将其保存为NIfTI文件(${subject}.${simulation}.line.nii.gz)，从而可以加载到神经导航软件中(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/08.3dundump.csh):22.或将对应于每个偏航矢量的靶区感应电流值写在一个沿该偏航矢量的球面上(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/08.3dundump.csh)：23.然后使用3dTstat -max函数将这些跨越不同偏航矢量的文件合并为一个NIfTI文件(${subject}.${simulation}.orientation.mask.nii.gz)，在单个被试靶区得到一个与头皮相切的环形mask，mask中的值反映了靶区在每个偏航矢量处的感应电流值(https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/09.save_orientation_masks.csh)：24.将靶区在每个偏航矢量处的感应电流值导出到一个.csv文件中(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/10.save_csv.csh)。25.根据每个偏航矢量感应电流值相对于矢量方向的函数，创建一个极坐标图(图1f)。26.识别在靶区ROI中产生最大E-field的偏航矢量，并将相应的NIfTI文件复制到一个输出文件夹中，该文件夹可以复制到神经导航计算机中(参见：https://github.com/balders2/tms_targeting/blob/master/SCRIPTS/11.create_output_directory.csh)。27.将高分辨率T1图像(SimNIBS输出; filename = ${subject}_T1fs_conform.nii.gz)加载到神经导航软件中。28.将个体fMRI峰值对应球体(${subject}.srt-mnt.rdlpfc.nii.gz)加载到神经导航软件中。29.将偏航向量线(${subject}.${simulation}.line.nii.gz)和方向mask(${subject}.${simulation}.orientation.mask.nii.gz) NIfTI文件加载到神经导航软件中。30.使用神经导航软件创建皮肤表面和曲线皮质表面。34.通过旋转模拟线圈的方向来定义偏航矢量，使其与偏航矢量线平面或方向mask平面中的最大值对齐。35.当被试执行指定任务时，利用步骤30-34中提供的向量信息向靶区传送刺激(图2c)。靶区mask和T1图像之间良好的对准是非常重要的，以确保所识别的BOLD峰值位于理论靶区内。因此，在继续处理之前有必要检查mask-T1对准。mask-T1对准不良的一个常见原因是颅骨剥离不良。调整FreeSurfer中的分水岭算法参数可以改善颅骨剥离(参见：https://surfer.nmr.mgh.harvard.edu/fswiki/FsTutorial/SkullStripFix_tktools)。再次强调，EPI图像和T1图像之间的良好对准非常重要。我们建议使用某种形式的EPI失真校正(例如，收集场图或反向相位编码信号)和非线性EPI-T1配准。在继续处理之前，检查EPI-T1对准也很重要。T1-EPI对准不佳的一个常见原因是这些数据集的初始对准偏差较大。afni_proc中'-giant_move'通常可以纠正这个缺陷。表面坐标和体积坐标可能是不同的(例如，RAS和surface-RAS坐标)。因此，一旦靶区被加载到SimNIBS中，就要对其进行视觉检查，并在必要时对fMRI峰值坐标进行转换。一旦在神经导航软件中定义了靶区，就应该进行最后一次视觉检查，以确保已经识别了正确的靶区。步骤1和2，靶区定义：本部分中的步骤可以在1小时内完成，但可能需要研究团队进行讨论。步骤3–5，数据采集：需要2小时用于知情同意、指导和MRI数据采集。步骤6–8，结构数据处理：本节中的分析步骤至少需要24小时才能完成。步骤9–11，功能数据处理：本节中的分析步骤需要2–4小时才能完成。步骤12–18，E-field建模：本节中的分析步骤每个模型需要大约20–30分钟才能完成。如果可能，并行计算E-field模型可以减少所需的总时间。步骤19–26，靶点选择：本节中的分析步骤需要30分钟完成。步骤27-35，神经导航：本节中的分析步骤需要15分钟完成。为了证明该方法的使用范围，我们评估了头皮到皮层的距离和被试之间的靶点距离，被试之间最佳线圈方向的可变性，以及给定最佳线圈方向时E-field模型的总大小。在第一个分析中，我们基于Sternberg WM范式中获得的EPI数据，评估了被试间的距离和单个被试靶区的头皮到皮层的距离。我们对比了记忆维持期试验的EPI数据，在此期间，被试对一系列五字母在内心进行分类或记忆维持(即，记忆维持与操控)。为了限制我们对这些fMRI激活峰的搜索，我们使用不同的分析方法通过四个结构模板确定右侧dlPFC的边界。使用FreeSurfer输出的Desikan-Killiani Atlas 41获得每个被试对应于dlPFC的额中回ROI解剖mask (图3a)。功能mask是在一项独立研究的独立样本中，基于相同Sternberg任务的EPI数据获得的(N = 32；数据未显示)。为此，我们提取了右侧dlPFC的团块，该团块显示了WM维持和WM操控之间的显著差异(图3b)。元分析mask是通过对NeuroSynth数据库进行关键字搜索获得的。为此，我们使用了关键字“dlPFC”，进行z分数阈值为7.28的反向推理搜索，并提取了以右侧dlPFC为中心的团块(图3c)。功能mask和元分析mask都被归一化到MNI空间。最后，无约束mask是整个右半球的解剖mask(不推荐，实际研究中不需要这一步)，包括这一方法是为了显示在处理单一被试fMRI时定义解剖mask方法的重要性(图3d)。
图3 使用解剖、功能、元分析和无约束方法基于T1像绘制的单个被试的mask对于被试间距离，我们首先使用非线性变换将所有被试的T1像投影到MNI空间。然后，我们将这些变换应用到靶区的坐标上，以便在被试间比较靶区。然后，我们计算使用每个mask选择的靶区的被试×被试的欧式距离(靶区和被试间距离矩阵见图4；平均值见图5)。然后，我们进行单因素重复测量ANOVA，比较了被试之间的距离，发现了显著的主效应(F(3,270)=138.48; P<0.001)。然后我们进行成对Bonferroni校正的配对样本t检验。首先，我们发现使用任何mask都会比根本不使用mask导致更小的被试间距离(解剖学对比无约束：t(90)=12.193; P<0.001;功能性与非功能性：t(90)=13.827; P<0.001;元分析与无约束比较：t(90)=12.155; P<0.001)。第二，我们发现，与解剖学(功能对解剖:t(90)=2.829; P=0.035)和元分析(功能对元分析:t(90)=3.225; P=0.011) mask相比，功能mask进一步减少了被试之间的距离。
图4 使用不同mask作为输入的Sternberg WM BOLD图的峰值激活和被试间距离矩阵
对于头皮到皮层的距离，我们计算了每个被试和每个ROI的皮层靶点和投影靶点之间的欧氏距离(图5)。考虑到E-field随着距离头皮的距离而衰减，这个数字代表给定靶点的刺激的潜在功效。我们用单因素重复测量方差分析比较了不同ROI的这些值，发现了显著的主效应(F(3,39)=11.58; P<0.001)。然后，我们进行了成对Bonferroni校正的配对样本t检验，以确定哪些靶区离头皮最远。我们发现，在所有被试中，所有ROI的表现彼此相似(均P>0.05)，但明显优于无约束条件(解剖与无约束:t(13)=4.058; P=0.008;功能性与无约束:t(13)=4.321; P=0.005;元分析与无约束:t(13)=4.845; P=0.002)，这意味着有ROI约束方法下的线圈放置位置从头皮到皮层的距离明显更小。
图5 使用不同mask作为输入的Sternberg WM BOLD图的峰值激活的距离矩阵
在第二个分析中，我们评估了在给定单被试BOLD图像确定的靶区后，这种方法有效、可靠地确定最佳线圈方向的能力。我们使用上述四种mask条件(解剖、功能、元分析和无约束)确定的靶区，并用均匀分布在单位圆上的24个线圈手柄向量构建迭代E-field模型。然后，我们通过使用整个ROI或以靶区坐标为中心的5mm球形区域对归一化E-field ΔE-field进行采样，来评估这些电场模型。首先，我们将所有被试和每个ROI-样本组合的归一化电场绘制相对于线圈手柄方向的函数(图6)。对于该分析，我们使用了局部样本(即对应于皮质靶点的球形ROI)和ROI样本(即用于定义峰值激活搜索区的整个ROI)。这两种方法都是有效的，取决于用户对拟调控的神经活动的空间分布的先验假设。例如，如果用户假设拟调控的靶向神经活动是广泛分布的，那么他们应该在更大的ROI的基础上评估E-field模型(即，他们应该对搜索区进行采样)。相比之下，如果用户假设神经活动在狭窄的区域内分布，他们应该基于局部感应电流来评估E-field模型(即，他们应该对皮质靶区的球形ROI进行采样)。
图6 模拟每个靶区的归一化E-field的变化，绘制成线圈手柄方向的函数这些单被试极坐标图显示，归一化E-field在局部采样(球形ROI)或在ROI水平上采样的函数有所不同，并且可以用于确定刺激的最佳线圈方向。事实上，这些极坐标图可以在被试的T1扫描上看到，并加载到神经导航软件中(见步骤29)。此外，这些图可以用来证明被试间E-field模型的一致性。为了实现这一点，在给定mask条件(解剖、功能、元分析或无约束)和样本区域(局部或ROI)条件下，我们确定了每个被试的最佳线圈手柄向量。该分析的目的是确定这些向量的角度是否均匀分布。因为具有相反角度(例如，15度和195度)的向量产生相似的归一化E-field估计，所以我们对相反角度的估计值进行平均，以获得0度到180度范围的最优向量角度的单项分布。然后，我们使用Bonferonni校正的卡方测试来测试这些角度是否均匀分布在每个mask的半圆上(图7a)。
图7 用于评估基于输入mask的E-field模型的指标当我们使用mask对归一化E-fields进行采样时，我们发现从功能mask和元分析mask中选择的靶点显示出随最佳线圈手柄角度的显著非随机分布(函数:χ2(13)=28.86; P=0.027; 元分析:χ2(13)=27.14; P=0.048)。然而，从解剖mask和无约束mask条件中选择的靶区似乎显示出随最佳线圈手柄方向的随机分布(P>0.05)。当我们使用局部球形ROI对归一化E-fields进行采样时，我们发现没有mask条件下线圈手柄的最佳角度呈显著非随机分布(所有P>0.05)。这些结果表明，当使用功能mask或元分析mask来选择TMS靶点时，最佳线圈手柄方向在被试之间是一致的，并且这种一致性仅在归一化电场在ROI mask内采样时才能观察到。最后，我们估计了E-field模型的总体大小，给出了最佳线圈手柄方向角度，并绘制了它相对于mask和样本条件的函数(图7b)。我们使用2 (局部和ROI)×4 (解剖、功能、元分析、无约束)重复测量ANOVA来分析这些数据。我们发现了样本的显著主效应，表明当局部采样时归一化E-field较大(F(1,13)=76.71; P < 0.001)。我们还使用成对Bonferroni校正配对样本t检验进行分析，发现了显著的交互效应(F(3,39)=9.66; P < 0.001)。对于使用局部球形区域进行采样的样本，不同mask条件之间没有差异(均P > 0.05)。然而，对于使用整个ROI进行采样的样本，与无约束mask条件（右半球mask）相比，当用其他三个mask采样时的归一化E-field更大 (即，解剖学与无约束:t(13)=11.967; P < 0.001; 功能性与非无约束:t(13)=18.172; P < 0.001; 元分析与无约束:t(13)= 11.164; P < 0.001)。
总结：
这篇文章详细介绍了一种经颅磁刺激精准定位方法，该方法需要高分辨率结构和扩散磁共振成像，功能磁共振成像。通过特定认知功能任务或先验知识确定感兴趣区，基于结构磁共振数据生成头部模型，通过迭代的E-field方法进行电场建模可以识别最优的线圈手柄方向。结果表明，本文中提出的方法降低了被试间刺激位点、刺激方向的可变性，可以推广到其他靶点的精准经颅磁刺激。对于构建更精确的TMS治疗方案具有重要意义。
