Targeting neuronalen Faser Traktate für Deep Brain Stimulationstherapie mit interaktiven, patientenspezifische Modelle

Das übergeordnete Ziel dieses Projekts ist es, eine interaktive patientenspezifische Modellierungspipeline zu entwickeln und die Auswirkungen der tiefen Hirnstimulation auf neuronale Faserbahnen nahezu in Echtzeit zu stimulieren. Die Tiefe Hirnstimulation ist ein therapeutischer Eingriff, der von der FDA zugelassen ist und seit über einem Jahrzehnt bei Bewegungsstörungen wie der Parkinson-Krankheit eingesetzt wird und für eine Vielzahl anderer neurologischer und psychiatrischer Erkrankungen untersucht wurde. Die computergestützte Modellierung der tiefen Hirnstimulation war ein Werkzeug, das sich als sehr nützlich erwiesen hat, und es wird immer häufiger eingesetzt, um die Auswirkungen der Stimulation bei einzelnen Probanden besser zu verstehen und vorherzusagen.

Eines der hartnäckigen Probleme bei der computergestützten Modellierung ist die Zeit, die für die Erstellung und Durchführung von Computermodellexperimenten benötigt wird. Der Zweck dieses Protokolls besteht darin, Wege zu erklären, wie die computergestützte Modellierung nahezu in Echtzeit und auf eine viel interaktivere Weise durchgeführt werden kann, und dies wird durch einige Innovationen erreicht. Das wichtigste ist die Fähigkeit, ganze Köpfe einzelner Probanden interaktiv miteinander zu vernetzen.

Das Protokoll in diesem Video beschreibt, wie man aus den erfassten MRT-Volumina ein patientenspezifisches Finite-Elemente-Modell erstellt und dann das elektrische Feld simuliert, das durch eine implantierte tiefe Hirnstimulationselektrode induziert wird. Die Hauptschritte bei der Erstellung dieser Modelle bestehen darin, erstens ein Finite-Elemente-Modell zu erstellen, das das Gehirn des Patienten und die implantierte Elektrode darstellt, zweitens biophysikalische Eigenschaften des Gehirns und Stimulationsparameter des Tiefenhirnstimulationsgeräts zum Finite-Elemente-Netz hinzuzufügen und drittens die von der Elektrode im Modell erzeugte Spannung zu lösen. Bei der in diesem Projekt modellierten Elektrode handelt es sich um eine Medtronic 3387 DBS-Elektrode.

Bei diesem Ansatz kann jedoch jede beliebige Elektrodengeometrie verwendet werden. Die 3387 ist eine zylindrische Leitung mit vier Kontakten, die durch nichtleitendes Material getrennt sind. Für den Vernetzungsprozess werden Flächendarstellungen für jede dieser Komponenten erstellt.

Für die vier Kontakte, die fünf Wellensegmente, die Verkapselungsschicht und zwei umgebende Boxen werden geschlossene Flächen erstellt, die zur Steuerung der Netzdichte um die Elektrode herum verwendet werden. Es ist wichtig, ein Oberflächennetz mit hoher Dichte der Kontakte zu erstellen, um die zylindrische Geometrie zu erhalten und das Problem des bioelektrischen Feldes genau zu lösen. Die durch die Elektrode induzierte Spannungsverteilung durch das Gehirn wird durch Lösen einer Poisson-Gleichung berechnet, die durch die Anwendung der Finite-Elemente-Modellierung zu einem linearen Gleichungssystem vereinfacht wird: Ax ist gleich B, wobei A die Steifigkeitsmatrix ist, die die Leitfähigkeit und Geometrie des Netzes darstellt, x die Spannungslösung an jedem Knoten des Netzes ist, und B wird auf der Grundlage von Randbedingungen und Stromquellen modifiziert.

Der Verkapselungsschicht, den Wellensegmenten und den vier Kontakten müssen ebenfalls Leitfähigkeitswerte zugewiesen werden, die auf ihren Materialeigenschaften basieren, die in der Tabelle auf dem Bildschirm angezeigt werden. Für die Berechnung des bioelektrischen Feldes werden feste Randbedingungen verwendet. Punktoberflächen werden in der Mitte jedes der vier DBS-Kontakte platziert, und monopolare oder bipolare Stimulation kann durch jede beliebige Kombination angewendet werden.

Die äußere Gehirnoberfläche ist auf null Volt eingestellt, um eine Fernrückkehrelektrode zu simulieren. Diese Bedingungen stellen die bekannte Spannung im Finite-Elemente-Modell dar. Wir kennen die Spannung an jedem der vier Kontakte und an der Rückelektrode, dem implantierbaren Impulsgeber.

Das lineare Gleichungssystem wird mit einer konjugierten Gradientenmethode gelöst, um die Spannungslösung im Modell für einen Satz von Randbedingungen zu berechnen. SCIRun ist eine fortschrittliche Problemlösungsumgebung für die Modellierung, Simulation und Visualisierung verschiedener Klassen wissenschaftlicher Probleme. Die Syntax der visuellen Programmierung ermöglicht es Benutzern, Softwaremodelle miteinander zu verbinden, um wissenschaftliche Daten zu verarbeiten und zu visualisieren.

Für dieses Protokoll wird SCIRun verwendet, um ein Finite-Elemente-Netz aus Gehirn und tiefer Hirnstimulationsleitung zu erstellen und das Problem des bioelektrischen Feldes in einer interaktiven Umgebung zu lösen. Ein wichtiger Aspekt von SCIRun ist die Fähigkeit, Daten an jedem Punkt der Pipeline interaktiv zu visualisieren, was wir demonstrieren werden. Der erste Schritt beim Aufbau des Finite-Elemente-Modells besteht darin, die strukturelle Anatomie des Gehirns zu bestimmen.

Um diesen Schritt durchzuführen, haben wir uns für FreeSurfer entschieden, eine Open-Source-Software-Suite zur Verarbeitung und Analyse von MRT-Volumina für das menschliche Gehirn. Zu Beginn wird die T1-MRT des Patienten mit dem folgenden Befehl als DICOM-Stack an FreeSurfer übergeben. Als nächstes wird der folgende Befehl verwendet, um die automatisierte Verarbeitung und Segmentierung zu starten.

FreeSurfer erstellt ein neues Bildvolumen des Hirngewebes, wenn der Schädel entfernt wird. An diesem neuen Volumen werden Intensitätsschwellenwerte und Isosurfacing durchgeführt, um eine Oberflächendarstellung des Gehirns zu erhalten, die dann zur Definition der äußeren Grenze des Finite-Elemente-Modells verwendet wird. Die FreeSurfer-Pipeline segmentiert auch die weiße Substanz, die graue Substanz, die subkortikalen Kerne und die Ventrikel.

Jeder Gehirnregion wird eine eindeutige ganzzahlige Bezeichnung zugewiesen. Der nächste Vorverarbeitungsschritt besteht darin, die Diffusionstensoren aus den diffusionsgewichteten Bildgebungsdaten zu schätzen und dieses Volumen mit dem TI-MRT zu co-registrieren. DWI ist eine Messung der Wasserdiffusivität durch Hirngewebe in mehrere Richtungen.

Für diesen Schritt haben wir uns für den Einsatz von 3DSlicer entschieden, einer kostenlosen Open-Source-Softwareplattform für die medizinische Bildverarbeitung und 3D-Visualisierung von Bilddaten. Konvertieren Sie zunächst die DICOM-Serie mit dem DWI-Konvertermodul in Slicer in ein einzelnes DWI-Volume. Um Hintergrund und Rauschen aus der Tensorrekonstruktion zu entfernen, erstellen Sie eine Maske mit dem diffusionsgewichteten Volumenmaskierungsmodul.

Dadurch können Tensoren nur innerhalb des Hirngewebes berechnet werden. Der nächste Schritt besteht darin, das DWI-zu-DTI-Schätzungsmodul zu verwenden, um die Diffusionstensoren zu generieren. Stellen Sie den Tensor-Schätzalgorithmus auf kleinste Quadrate ein und aktivieren Sie Negative Eigenwerte verschieben.

Dadurch werden Tensoren mit negativen Eigenwerten entfernt, die sich auf Rauschen oder Erfassungsfehler beziehen. Die 3D-Oberflächengeometrien für das Elektrodenmodell können mit jeder 3D-Modellierungssoftware erstellt werden, was in diesem Video nicht demonstriert wird. Hier haben wir ein geschlossenes Oberflächennetz für jeden der Elektrodenkontakte, Wellensegmente, Verkapselungsschicht und zwei umgebende Boxen erstellt, die zur Steuerung der Netzdichte verwendet werden.

Die im ersten Teil erstellte Hirnoberfläche und die Elektrodengeometrie werden kombiniert, um ein Finite-Elemente-Modell des Gehirns mit einer implantierten Elektrode unter Verwendung des Vernetzungswerkzeugs TetGen zu erstellen. Verrohren Sie die Gehirnoberfläche und die Elektrodengeometrie in das InterfaceWithTetGen-Modul. Wenden Sie Volumenabhängigkeiten auf die Generierung von Tetraederelementen in jedem Bereich des Modells an, wie in der Tabelle auf dem Bildschirm dargestellt.

Diese Technik erzeugt ein Netz mit adaptiver Größe und einer höheren Netzdichte um die Grenzfläche des Elektrodengewebes, wo der elektrische Feldgradient hoch ist. Das Ergebnis ist ein tetraedrisches Finite-Elemente-Netz des Elektrodenmodells, das in das Hirngewebe eingebettet ist. SCIRun ermöglicht das Verschieben von Objekten mit geometrischen Transformationsmodulen und interaktiven Widgets im Viewer-Fenster.

Um den Winkel der Elektrodengeometrie zu ändern, verwenden Sie das CreateGeometricTransform-Modul in Kombination mit dem TransformMesh-Modul. Legen Sie die X-Rotationsachse auf eins fest, und legen Sie den Rotationsgrad für Theta fest, um den Winkel zu steuern. Verbinden Sie ein GenerateSinglePointProbe-Modul direkt mit ViewScene, um ein Kugel-Widget zu erstellen, sowie mit einem anderen TransformMesh-Modul, um die Position der Elektrodenspitze zu steuern.

Klicken Sie in der Ansichtsszene bei gedrückter Umschalttaste auf das Widget, und ziehen Sie es, um die Position der Elektrodenspitze zu verschieben. Diese Transformationen werden auf die Elektrodengeometrie angewendet, bevor sie an TetGen übergeben wird, sodass die aktualisierte Elektrodenposition und -ausrichtung in das Finite-Elemente-Modell integriert wird. Der nächste Schritt besteht darin, dem Finite-Elemente-Modell Leitfähigkeitswerte zuzuweisen.

Laden Sie die DTI-Daten, die in 3DSlicer verarbeitet wurden, und legen Sie die Leitfähigkeitswerte sowohl für das Elektrodenmodell als auch für das Hirngewebe auf das im vorherigen Abschnitt erstellte Tetraedernetz fest. Nachdem Leitfähigkeitswerte auf das Netz angewendet wurden, leiten Sie das Feld an BuildFEMatrix weiter. Dies ist der erste Schritt zur Erstellung des Gleichungssystems für die Berechnung des bioelektrischen Feldes.

Für die spannungsgesteuerte Stimulation werden wir nun die bekannten Spannungsrandbedingungen auf das Finite-Elemente-Netz setzen. Stellen Sie die Gehirnoberfläche, die als äußere Begrenzung unseres Netzes verwendet wird, auf null Volt ein, um die Fernrücklaufelektrode zu simulieren. InsertVoltageSource wird dann verwendet, um diese Randbedingung auf das Netz anzuwenden.

Für die monopolare Stimulation weisen Sie einem Punkt in der Mitte des unteren Kontakts einen Spannungswert zu. Verwenden Sie erneut InsertVoltageSource, um diese Randbedingung auf das Netz anzuwenden. Kombinieren Sie die Ausgabe von BuildFEMatrix und InsertVoltageSource in SolveLinearSystem.

Verwenden Sie die Methode zur Berechnung des konjugierten Gradienten und führen Sie das Modul aus, um die Spannungslösung zu berechnen. Platzieren Sie die Lösung des Gleichungssystems mit dem SetFieldData-Modul wieder auf den Knoten des Finite-Elemente-Netzes. Die Spannungslösung kann direkt auf den Knoten des Netzes betrachtet werden, liefert aber keine aussagekräftige Darstellung ihrer Verteilung durch das Hirngewebe.

Eine bessere Visualisierung besteht darin, Isospannungsflächen ähnlich wie Höhenlinien auf einer Karte zu erstellen, die auch Informationen über die Ausrichtung und Stärke des elektrischen Feldes liefert. Übergeben Sie die Finite-Elemente-Netzspannungslösung an ExtractSimpleIsosurface, und legen Sie die Menge auf 10 fest. Dadurch entstehen 10 gleichmäßig verteilte Isospannungsflächen um den Kontakt.

Mit dieser Technik können wir den Effekt des Hinzufügens von anisotropen Leitfähigkeitstensoren zum Modell visualisieren und wie dieser Parameter die Spannungsverteilung im gesamten Hirngewebe beeinflusst. Die Integration der Finite-Elemente-Konstruktion, der Berechnung des bioelektrischen Feldes und der Visualisierung der Ergebnisse in einer Umgebung ermöglicht eine nahezu Echtzeit-Rückmeldung darüber, wie Parameteränderungen wie Elektrodenposition und Stimulationsamplitude die Wechselwirkung des bioelektrischen Feldes mit dem umgebenden Gewebe beeinflussen. Nachdem die Elektrodenposition geändert und das bioelektrische Feld neu berechnet wurde, wird die Lösung auf die Zielfaserbündel abgebildet.

Die Aktivierungsfunktion wird berechnet, um die Aktivierung des Faserbündels für eine gegebene Stimulationsamplitude vorherzusagen. Wir sammeln Vorhersagen zur Aktivierung von Faserbündeln über alle Kontakte und mehrere Stimulationsamplituden hinweg und bestimmen schnell, welche Stimulationskonfiguration am effektivsten wäre, um die Zielfasern für eine bestimmte Elektrodenposition zu aktivieren. Anschließend vergleichen wir diese Aktivierungsprofile für mehrere Elektrodenpositionen während der Planungsphase der THS-Operation, um die Elektrodenbahn zu definieren, die den Zielfaserweg effektiv stimuliert.

Hier sehen wir, dass Position zwei eine robustere Aktivierung des Zielfaserbündels vorhersagt, niedrigere Stimulationsamplituden über alle Kontakte hinweg aufweist als Position eins. Dieser Ansatz kann verwendet werden, um viel komplexere Szenarien zu modellieren. Ein neuartiges Merkmal dieses Systems ist die Möglichkeit, die Elektrodengeometrie im Modell schnell umzuschalten und mehrere Leitungen in unmittelbarer Nähe zueinander zu simulieren.

Hier untersuchen wir Leitstellen zur Stimulation zentraler Thalamusfaserbahnen, die an der Erregungsregulation beteiligt sind, als potenzielles Ziel für Patienten mit traumatischen Hirnverletzungen, während nahe gelegene Bereiche wie die sensorischen Kerne vermieden werden. Für eine statische Elektrodenposition haben wir die Auswirkungen des Wechsels zu einem gerichteten Elektrodenmodell simuliert, um eine gezieltere Kontrolle über die Faseraktivierungspositionen zu erhalten und die Stimulation anderer Faserbündel zu vermeiden. Wenn wir uns einen Querschnittsbereich um die Elektrode ansehen, sehen wir, dass die gerichtete Elektrode in der Lage ist, die Zielfasern effektiv zu stimulieren, mit minimaler Ausbreitung der Aktivierung in Fasern, die wir vermeiden möchten.

Dieser Ansatz wäre auch nützlich für das Targeting des subthalamischen Kerns, um Symptome der Parkinson-Krankheit zu behandeln und gleichzeitig die nahe gelegene innere Kapsel zu vermeiden. Hier simulieren wir die Platzierung von drei unabhängigen DBS-Ableitungen und prognostizieren die Aktivierung ähnlicher zentraler Thalamusfaserwege für die Operationsplanung in Experimenten mit nicht-menschlichen Primaten. Der Vorteil der Verwendung mehrerer Elektroden besteht darin, die Stimulation über einen größeren Bereich zu steuern.

Sowohl gerichtete Elektroden als auch Mehrfachelektroden erschweren die Bestimmung von Elektrodenstimulationsparametern. Die Verwendung des in diesem Video beschriebenen Ansatzes ermöglicht jedoch eine schnellere und geführtere Erkundung des komplexen Parameterraums, um therapeutische Stimulationseinstellungen zu identifizieren. Die patientenspezifische Modellierungspipeline, die die Schritte von der Patientenbildgebung bis hin zu interaktiven Modellen skizziert und die wir Ihnen heute gezeigt haben, wird dazu beitragen, die Lücke zwischen Ingenieuren und Klinikern zu schließen.

Die Entwicklung neuer DBS-Bauelemente mit mehr als vier Kontakten, einschließlich des Einsetzens mehrerer Elektroden, erhöht die Komplexität eines bereits schwierigen Problems. Die Möglichkeit, die Auswirkungen verschiedener Elektrodendesigns in Stimulationskonfigurationen schnell zu visualisieren, kann wertvolles Feedback liefern, um besser zu verstehen, wie diese Geräte im Gehirn funktionieren.