Gleichzeitige Elektroenzephalographie und Magnetoenzephalographie zur Identifizierung anfallsanfälliger Hirnregionen

Zusammenfassung

Quelle: Papadelis, C.. , et al., Interiktale hochfrequente Oszillationen, die mit gleichzeitiger Magnetoenzephalographie und Elektroenzephalographie als Biomarker für pädiatrische Epilepsie nachgewiesen wurden. J. Vis. exp.{TAG_ 27}} (2016).

Dieses Video zeigt die Methode zur Verwendung von Elektroenzephalographie (EEG) und Magnetoenzephalographie (MEG) zur Identifizierung interiktaler epileptiformer Entladungen (IEDs) und hochfrequenter Oszillationen (HFOs) zur Lokalisierung anfallsanfälliger Regionen im Gehirn.

Protokoll

<

p style='line-height:1.2;margin-bottom:0pt;margin-top:0pt;' dir='ltr'>Alle Verfahren, an denen menschliche Teilnehmer beteiligt sind, wurden in Übereinstimmung mit den institutionellen, nationalen und Internationale Leitlinien für das Wohlergehen des Menschen und wurden vom lokalen institutionellen Prüfungsausschuss überprüft.

1. Datenerfassung

1. Magnetenzephalographie (MEG) und Elektroenzephalographie (EEG)
   NOTE: MEG/EEG-Datenerfassung wird auf Basis der Methode durchgeführt. Weitere Einzelheiten zur klinischen Anwendung von MEG bei pädiatrischer Epilepsie finden Sie an anderer Stelle.
   1. Zeichnen Sie MEG-Signale mit einem Ganzkopf-MEG-System auf.
      HINWEIS: Das MEG-System verwendet Dünnschichtsensoren zweier Typen (planare Gradiometer und Magnetometer), die auf 102 Sensorelementen integriert sind. Jedes Element enthält ein Magnetometer, das aus einer einzelnen Spule besteht, und zwei orthogonale planare Gradiometer, die aus einer Spulenkonfiguration vom Typ "Acht" bestehen. Das Magnetometer misst den magnetischen Fluss senkrecht zu seiner Oberfläche, und die Gradiometer messen die Differenz zwischen den beiden Schleifen der "Acht" oder den räumlichen Gradienten. Das MEG-System verfügt über 204 planare Gradiometer und 102 Magnetometer (insgesamt 306 Sensoren). MEG-Systeme verschiedener Anbieter haben unterschiedliche Anzahlen und Arten von Spulen (d.h., axiale Gradiometer).
   2. Gleichzeitige Aufzeichnung von EEG-Signalen mit einer nichtmagnetischen 70-Kanal-Elektrodenkappe mit Ag/AgCl-Sinterringelektroden und zusätzlichen Elektroden in T1/T2. Verwenden Sie eine gängige Referenzmontage.
   3. Schließen Sie die Tür des magnetisch abgeschirmten Raums (MSR). Kommunizieren Sie mit dem Patienten über eine Gegensprechanlage, um zu überprüfen, ob er sich wohl fühlt. Bitten Sie die Eltern, während der Aufzeichnung im MSR zu bleiben, wenn sich das Kind unwohl fühlt, wenn es alleine bleibt.
   4. Starten Sie die Aufnahmen, indem Sie in der MEG-Erfassungssoftware auf die Schaltfläche "Go" klicken. Verwenden Sie eine hohe Abtastrate von 1 kHz (oder mehr). Verwenden Sie einen Tiefpassfilter mit unendlicher Impulsantwort (IIR) 6. Ordnung bei 400 Hz. Überprüfen Sie alle aufgezeichneten Signale online. Beheben Sie fehlerhafte MEG-Kanäle mit einem Sensortuner.
      HINWEIS: Schlechte MEG-Kanäle sind definiert als Sensoren (Gradiometer oder Magnetometer), die ein relativ hohes Maß an weißem Rauschen aufweisen (über 2 bis 5 fT/√Hz bei Magnetometern) oder Sensoren, die störendes elektromagnetisches Rauschen in der Umgebung aufzeichnen. Dies geschieht normalerweise, wenn die Sensoren starken (relativ zu den gemessenen Signalen) Magnetfeldern ausgesetzt sind und bestimmte Teile der Spulen den magnetischen Fluss "einfangen" und die Supraleitung zerstören. Ein Sensortuner wird dann verwendet, um die Spule zu erhitzen, indem ein elektrischer Strom durch sie angelegt wird. Dieses Verfahren wird als Tuning bezeichnet und wird verwendet, wenn der Pegel des weißen Rauschens des Sensors über einem bestimmten Schwellenwert liegt (d.h. 2 - 5 fT/√Hz). Einige MEG-Systeme verfügen nicht über Sensortuner.
   5. Messen Sie die Kopfposition des Patienten, indem Sie in der MEG-Erfassungssoftware auf die Schaltfläche "Messen" klicken. Wenn das sensorische Array den Kopf des Patienten nicht gut abdeckt, bitten Sie den Patienten, seinen Kopf tiefer in den Helm zu bewegen.
      HINWEIS: Dieses Manöver aktiviert die 4 Head Position Indicator (HPI)-Spulen, indem transiente oszillatorische elektrische Signale durch sie angelegt werden, die künstliche Magnetfelder erzeugen. Die MEG-Sensoren erfassen diese Felder und bestimmen die Kopfposition. Die Vorgehensweise kann je nach MEG-Anbieter unterschiedlich sein.
   6. Nehmen Sie MEG-, EEG- und Peripherieaufzeichnungen auf, indem Sie in der MEG-Erfassungssoftware auf die Schaltfläche 'Aufnehmen' klicken (d.h., Elektrokardiogramm oder EKG, Elektrookulogramm oder EOG und Elektromyogramm oder EMG) für ~60 min.
      HINWEIS: Die Daten werden als .fif-Datei im Redundant Arrays of Independent Disks (RAID) gespeichert. Der Dateityp unterscheidet sich bei anderen MEG-Anbietern.
   7. Wenn die Aufzeichnung beendet ist, öffnen Sie den MSR, trennen Sie die Kabel und entfernen Sie den Patienten aus dem MSR-Raum. Entfernen Sie vorsichtig alle Bänder, Elektroden, HPI-Spulen und EEG-Kappe. Waschen Sie den Kopf des Patienten.
   8. Nachdem die Erfassung abgeschlossen ist, zeichnen Sie die magnetischen Signale des leeren MSR ohne den Patienten auf. Starten Sie die Aufnahmen, indem Sie in der MEG-Erfassungssoftware auf die Schaltfläche "Go" klicken. Nehmen Sie die MEG-Daten 2 Minuten lang auf.
      HINWEIS: Diese Daten werden zur Abschätzung des elektromagnetischen Rauschens in der Umgebung verwendet.

2. Identifizierung der interiktalen Aktivität

1. Öffnen Sie die Daten mit Brainstorm, das dokumentiert und unter der GNU General Public License kostenlos online zum Download zur Verfügung steht.
2. Ausgewählte visuelle Teile der EEG-Daten mit interiktaler Aktivität, die mindestens 2 Stunden nach klinischen Anfällen auftritt.
   NOTE: Figure 1<span style='font-family:Arial,sans-serif;font-size:12pt;font-style:normal;font-variant:normal;font-weight:400;text-decoration:none;vertical-align:baseline;white-space:pre-wrap;'> präsentiert einen Teil der EEG- und MEG-Daten mit häufigen IEDs.
   1. Identifizieren empirisch gut definierte interiktale epileptiforme Entladungen (IEDs) in den EEG-Signalen: dazu gehören Spikes (20 - 70 ms) und scharfe Wellen (70 - 200 ms).
      HINWEIS: Die klinische Bedeutung beider Arten von IEDs für die epileptische Fokuslokalisation ist gleichwertig.
   2. Versuchen Sie, (wenn möglich) Teile der Aufzeichnungen zu identifizieren, die Folgendes aufweisen: (i) minimale Bewegungsartefakte, (ii) mehr als 3 - 4 IEDs pro 10-s-Anzeige und (iii) langsamwelliger Non-REM-Schlaf, der normalerweise eine hohe Anzahl von hochfrequenten Oszillationen (HFOs) aufweist.
3. Zeigen Sie mit Brainstorm die Daten mit den Standardanzeigeeinstellungen (10 s/Seite) an. Gehen Sie zur Registerkarte Filter und stellen Sie die folgenden Parameter für die Filteranzeige ein: Hochpassfilter: 1 Hz, Tiefpassfilter: 80 Hz und Kerbfilter: 50 oder 60 Hz (je nach Frequenz der Stromleitung). Untersuchen Sie die Daten und identifizieren Sie Teile davon mit IEDs.
   HINWEIS: Es werden nur Teile des Signals mit IEDs gescannt, um nach HFOs zu suchen. Die ausgewählten Filter dienen nur zur Visualisierung. Sie wurden nicht auf die Daten angewendet. Um diese Filter dauerhaft auf die Daten anzuwenden, verwenden Sie einen Bandpass-Butterworth-Filter (4. Ordnung) gemäß den Anweisungen auf der Brainstorm-Website (http://neuroimage.usc.edu/brainstorm/).
4. Markieren Sie den Höhepunkt jeder IED, die sowohl in EEG- als auch in MEG-Daten auftritt (siehe rote Punkte in Figure 1).
   HINWEIS: Weitere Details zum Markieren von IEDs mit Brainstorm finden Sie an anderer Stelle (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy).

3. Halbautomatische Detektion von HFOs in gleichzeitigen EEG- und MEG-Daten der Kopfhaut

HINWEIS: Hier beschreiben wir eine halbautomatische Methode zur Erkennung von HFOs, die eine automatisierte Erkennung beinhaltet (Abbildung 2), gefolgt von einer visuellen Überprüfung der automatisch erkannten HFOs. Um die störenden Schwingungen scharfer Transienten als echte Ripples zu vermeiden und sicherzustellen, dass die HFOs nicht auf ein Filterphänomen zurückzuführen sind, folgten wir den neuesten Vorschlägen in der einschlägigen Literatur: Wir verlangten, dass die HFOs eine Mindestanzahl von 4 Schwingungen aufweisen, da beobachtet wurde, dass die Impulsantwort des Filters weniger Schwingungen aufweist als die gewählte Anzahl von Zyklen50, Wir verwendeten den Finite Impulse Response (FIR)-Filter, um den Klingeleffekt und das "Gibbs"-Phänomen zu minimieren50, wir verlangten, dass die Kandidaten-HFO-Ereignisse auch visuell von einem Experten untersucht wurden, um zu überprüfen, ob die HFOs auch auf den IEDs überlagert waren, und wir verlangten, dass eine isolierte Insel in der Zeit-Frequenz-Ebene beobachtet wurde, da ein scharfes Ereignis und eine Oszillation unterschiedliche Signaturen haben: Ein reales HFO wird durch einen isolierten Peak im Zeit-Frequenz-Diagramm (in der Frequenz begrenzt, als "Insel") dargestellt, der sich im Band von 80 - 500 Hz befindet, während ein transientes Ereignis einen länglichen Klecks erzeugt, dessen Frequenz erweitert ist.

1. Automatische HFO-Erkennung
   HINWEIS: Abbildung 2 beschreibt das Flussdiagramm der automatischen Erkennung von HFOs auf jedem EEG-Signal. Ziel des entwickelten Verfahrens ist es, den Aufwand für den EEG-Experten bei der Markierung von HFO-Ereignissen auf jedem EEG-Kanal mit Hilfe einer 2 s/page-Anzeige zu reduzieren, die für die visuelle Inspektion von HFOs empfohlen wird. Ein HFO wurde definiert als ein Ereignis innerhalb des Welligkeitsfrequenzbandes (80 - 250 Hz), das mindestens 4 Schwingungen sinusförmiger Morphologie aufweist, die sich vom umgebenden Hintergrund abheben, und das als kurzlebiges Ereignis mit einem isolierten spektralen Peak bei einer ausgeprägten hohen Frequenz erscheint.
   1. Erkennung von Kandidaten-HFOs im Zeitbereich
      1. Bandpass (BP) filtert die EEG-Signale zwischen 80 und 250 Hz und beschränkt ihren Frequenzgehalt auf das interessierende Wellenband.
         HINWEIS: Es wird empfohlen, einen FIR-Filter zu verwenden, um den Klingeleffekt und das "Gibbs"-Phänomen zu minimieren, und eine digitale Nullphasenfilterung, um Phasenverzerrungen zu vermeiden.
      2. Berechnen Sie die Hüllkurve des BP-Signals mit der Hilbert-Transformation. Berechnen Sie den Mittelwert und die Standardabweichung (SD) der Hüllkurve über 10 s gleitende Fenster, die auf jeden Punkt der Zeitreihe zentriert sind. Schätzen Sie den Gesamtmittelwert und die SD anhand des Medianwerts über alle Fenster (um Werte zu erhalten, die robust gegenüber dem möglichen Vorhandensein von Teilen des Signals mit vielen HFOs und hoher SD sind).
      3. Berechnen Sie den Z-Wert des Umschlags und markieren Sie einen HFO-Kandidaten jedes Mal, wenn er über dem Mindestschwellenwert liegt, der auf 3 festgelegt ist.
      4. Definieren Sie den Start- und Endpunkt des erkannten Ereignisses als die Überschreitung der Hälfte des Schwellenwerts nach oben und unten. Betrachten Sie die HFOs mit einem Intervall zwischen den Ereignissen von weniger als 30 ms als ein einzelnes HFO. Berechnen Sie die Anzahl der Spitzen im BP-Signal zwischen dem HFO-Start- und Endpunkt und verwerfen Sie Ereignisse mit weniger als 4 Spitzen. Außerdem werden Ereignisse mit einem Z-Wert von mehr als 12 verworfen.
         HINWEIS: Ändern Sie Ihren maximalen Z-Score-Schwellenwert entsprechend der Amplitude der Artefakte, die in Ihren Aufnahmen auftreten können. Ereignisse mit einer geringen Anzahl von Schwingungen können durch Filtereffekte verursacht werden, während Ereignisse mit extrem hohen Amplituden auf Muskel- oder Elektrodenartefakte zurückzuführen sein können.
   2. Mögliche Artefakte im Zeit-Frequenz-Bereich ablehnen.
      HINWEIS: Dieser Schritt ist notwendig, um reale HFOs von Ereignissen zu unterscheiden, die durch andere EEG-Aktivitäten und Filterartefakte hervorgerufen werden könnten, deren Frequenzgehalt nicht auf das interessierende Frequenzband beschränkt ist. Es basiert auf der Annahme, dass ein reales HFO als kurzlebiges Ereignis mit einem isolierten spektralen Peak bei einer ausgeprägten Frequenz über 80 Hz erscheint, im Gegensatz zu einem vorübergehenden Ereignis, das einen länglichen Blob mit erweiterter Frequenz erzeugt. Abbildung 3 zeigt ein Beispiel für ein erkanntes HFO, das das BP-gefilterte EEG-Signal (oberes Feld), seine Hüllkurve (mittleres Feld) und die entsprechende Zeit-Frequenz-Ebene (unteres Feld) während des Zeitraums von [-0,5, +0,5] s um den HFO-Peak zeigt. Die Darstellung der Zeit-Frequenz-Ebene ist von 80 - 150 Hz eingeschränkt, da bei Frequenzen über 150 Hz keine ausgeprägte Aktivität beobachtet wurde.
      1. Transformieren Sie alle Kandidaten-HFOs-Ereignisse in den Zeit-Frequenz-Raum mit der Morlet-Transformation im Frequenzbereich von 1 Hz bis zur höchsten Frequenz von Interesse, d.h., 250 Hz (Zentralfrequenz = 1 Hz, volle Breite-bei-halbem-Maximum = 3 s).
      2. Analysieren Sie die momentanen Leistungsspektren der Zeit-Frequenz-Darstellung über jeden Zeitpunkt der Ereignisdauer. Befolgen Sie für jedes Leistungsspektrum die automatischen Kriterien, um die Spitze im Hochfrequenzband zu erkennen und zu überprüfen, ob sie sich deutlich von der nächstgelegenen Spitze im unteren Frequenzbereich unterscheidet. Verwerfen Sie HFOs, die in mindestens 90 % der Zeitpunkte kein Leistungsspektrum mit einer isolierten Hochfrequenzspitze aufweisen.
2. Sortieren Sie alle erkannten HFO-Ereignisse nach ihrem zeitlichen Auftreten über die Kanäle hinweg. Gruppieren Sie alle aufeinanderfolgenden HFOs, deren Laufzeit sich überschneidet. Bewahren Sie nur Gruppen von HFOs mit mindestens zwei EEG-Kanälen für die weitere Analyse auf.
   HINWEIS: Der Algorithmus verlangt, dass die HFOs in mindestens 2 Kanälen auftreten, um zu vermeiden, dass falsche zufällige Artefakte erfasst werden, die echten HFOs ähneln und in einzelnen EEG-Ableitungen auftreten können. Zwei aufeinanderfolgende HFOs gelten als überlappend, wenn die Startzeit der zweiten HFO der Startzeit der ersten HFO vorausgeht.
3. Visuelle Überprüfung von HFO-Ereignissen
   1. Richten Sie 2 Computerbildschirme vertikal aus; einen für die Inspektion von EEG und einen für die Inspektion von MEG-Signalen. Zeigen Sie die erkannten Ereignisse sowohl auf der erweiterten (2 s/Seite) als auch auf der typischen Skala (10 s/Seite) an, wobei die gefilterten Signale 80 - 250 Hz bzw. 1 - 40 Hz BP angezeigt werden.
   2. Ignorieren Sie Ereignisse, die im ungefilterten EEG und MEG zusammen mit Muskel- oder Elektrodenartefakten auftreten, sowie Ereignisse mit großer Frequenzvariabilität, unregelmäßiger Morphologie oder großen Amplitudenvariationen.
   3. Beobachten Sie die EOG- und EMG-Signale während der Erkennung der HFOs und verwerfen Sie alle Ereignisse, von denen angenommen wird, dass sie mit EOG oder Muskelaktivität übereinstimmen. Betrachten Sie nur die HFOs, die sich mit EEG/MEG-IEDs überschneiden, da es sich mit größerer Wahrscheinlichkeit um echte HFOs handelt.
      HINWEIS: Dieser Ansatz bietet eine hohe Spezifität auf Kosten einer geringen Sensitivität; somit schafft es die Gewissheit, dass die identifizierten HFOs kortikalen Ursprungs sind.
   4. Behalten Sie nur HFO-Ereignisse bei, die gleichzeitig in EEG- und MEG-Signalen auftreten.

4. Quellenlokalisierung von IEDs und HFOs<

ol style='margin-bottom:0; margin-top:0; padding-inline-start:48px;' >

Lokalisieren Sie die Generatoren an der Spitze der MEG-IEDs mit den Gleichstromdipolen (ECD). Verwenden Sie die Software Minimum Norm Estimates, die frei verfügbar ist (http://martinos.org/mne/stable/index.html). Betrachten Sie nur Spitzen mit einer Passgenauigkeit (GOF) von > 80 % und einem Dipolmoment Q<500 nA - m. Überlagern Sie die ECD-Position auf dem MRT jedes Patienten.
HINWEIS: Die maximale Entropie auf dem Mittelwert (MEM) ist eine attraktive alternative Methode, um den Ort und die Ausdehnung der Quellen zu bestimmen.

Lokalisierung von HFO-Quellen sowohl im EEG als auch im MEG unter Verwendung der Wavelet-Methode der maximalen Entropie auf dem Mittelwert (wMEM).
HINWEIS: Das MEM ist eine effiziente Technik, die erfolgreich eingesetzt wurde, um den Ort und das Ausmaß von Quellen epileptischer Aktivität zu bestimmen. Das wMEM ist eine Erweiterung von MEM, die entwickelt wurde, um oszillatorische Aktivität zu lokalisieren, wie sie mit realistischen Simulationen bewertet wird. Er zerlegt das Signal auf diskreter Wavelet-Basis, bevor er die MEM-Quellenlokalisierung auf jeder Zeit-Frequenz-Box durchführt. Daher eignet sich wMEM besonders gut zur Lokalisierung von HFOs.

1. Segmentieren Sie das MRT und erhalten Sie die kortikale Oberfläche mit Freesurfer.
2. Lösen Sie das EEG/MEG-Vorwärtsproblem mit der Randelementmethode (BEM) für ein 3-Schichten-Modell unter Verwendung von OpenMEEG.
3. Berechnen Sie die Signale auf 640 Hz, um sicherzustellen, dass die zweite Skala der diskreten Wavelet-Transformation dem interessierenden Frequenzband entspricht.
4. Schätzen Sie die Rauschkovarianzmatrix im Datenraum unabhängig für jedes HFO, basierend auf dem Hintergrund im Rippelband in einem 150-ms-Fenster unmittelbar vor jedem HFO. Führen Sie die Quelllokalisierung für jedes HFO im Ripple-Band durch und mitteln Sie entlang der HFO-Dauer. NOTE: Die resultierende Karte besteht aus einem kortikalen Aktivierungswert, der jedem Scheitelpunkt der kortikalen Tessellation zugeordnet ist.
5. Normalisieren Sie jede Map, um einen maximalen Aktivierungswert von 1 für jedes HFO zu erhalten.
6. Berechnen Sie den Durchschnitt der Aktivierungswerte über alle HFOs an jedem Scheitelpunkt. Wenden Sie einen Schwellenwert von 60 % der maximalen Aktivierung an, um die endgültigen Maps auf der kortikalen Oberfläche anzuzeigen.

Ergebnisse

Materialien