Name: Targeting neuronalen Faser Traktate für Deep Brain Stimulationstherapie mit interaktiven, patientenspezifische Modelle (Video) | JoVE Journal
Uploaded: 2018-08-12T12:30:00.000+00:00
Duration: 14 min 14 s
Description: Entdecken Sie die Entwicklung interaktiver, patientenspezifischer Modelle zur Simulation von Tiefenhirnstimulation in Echtzeit. Diese computergestützte Methode verbessert die Planung von Therapien für Bewegungsstörungen wie Parkinson.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dieses Projekt wurde durch die nationalen Institute der Gesundheit Stipendien UH3, NS095554 unterstützt. Technischer Support durch das Zentrum für Integrative Biomedical Computing am Scientific Computing and Imaging Institute zur Verfügung gestellt wurde und wurde teilweise durch Software, entwickelt von NIH P41-GM103545, Zentrum für Integrative Biomedical Computing möglich gemacht.
Dankbarkeit ist für die Unterstützung bei der Vorbereitung der Handschrift Lexie Boden und Nathan Galli am Scientific Computing und Imaging-Institut für Produktion und Bearbeitung des Antrags auf Zulassung video und auch Theresa Lins erweitert.

(1) Bildverarbeitung
<ol><li>T1-MRI-Segmentierung<ol>
<li>Downloaden Sie und installieren Sie FreeSurfer17. Es wird angenommen, dass ein T1-MRT erlangt hat und DICOM oder NIFTI Format.</li>
		<li>Geben Sie den folgenden Befehl zum Erstellen eines Patienten Verzeichnis und fügen Sie ihr T1-Volumen in FreeSurfer: Recon-All - s PatientName -i /Full/Path/To/nii
</li>
		<li>Art der folgenden FreeSurfers auszuführende Befehl automatische Segmentierung: Recon-All - s PatientName-alle
</li>
		<li>Verwenden Sie Mri_convert , "aseg.auto.mgz" aus FreeSurfers proprietäre .mgz-Format zu konvertieren.</li>
	</ol>
</li>
	<li>Diffusion Weighted Imaging (DWI)<ol>
<li>Downloaden Sie und installieren Sie Slicer18. Es wird angenommen, dass ein Erwerb DWI durchgeführt wurde und als ein Stapel von DICOM-Dateien zur Verfügung ist. Hinweis: Eine gute Kommandozeilen-Tool Ausführen dieser Rekonstruktion ist der FMRIB-Software-Bibliothek (FSL)19. FSL diente in diesem Protokoll durchzuführen Echo planar, Bewegung und Eddy aktuelle Entzerrung vor dem Umbau. In dieser Analyse verwendeten DWI-Daten ist eine Reihe von DICOM-Dateien für 41 verschiedene Diffusion sensibilisierenden gradient Richtungen.</li>
		<li>Mithilfe des DWIConverter -Moduls im Datenschnitt um 41 separate Übernahmen in einem einzigen Band zu rekonstruieren. Geben Sie das Input-Dicom-Daten-Verzeichnis wo der DWI-Daten gespeichert sind. Aktivieren Sie das Optionsfeld DicomToNrrd und geben Sie den Namen des DWI Ausgangslautstärke.</li>
		<li>Erstellen Sie eine Tensor-Maske mit der Diffusion Weighted Volumen Maskierung Modul Hintergrundgeräusche aus der DTI-Schätzung zu beseitigen. Verlassen Sie den Schwellenwert-Parameter den Standardwert von 0,5.</li>
		<li>Konvertieren Sie diese Einzelband DWI Diffusion Tensor (DTI) Volumen mit DWI DTI Schätzung mit der Maske, die im vorherigen Schritt als die Diffusion Tensor Maskeerstellt. Legen Sie die Parameter der Schätzung zu kleinsten Quadrate und sicherstellen Sie, dass die Negative Eigenwerte Shift -Option aktiviert ist.</li>
		<li>Speichern Sie das neu erstellte Volume DTI im NRRD Format.</li>
	</ol>
</li>
</ol>(2) finite-Elemente-Modell-Generation
<ol><li>SCIRun<ol>
<li>Downloaden Sie und installieren Sie Version 5 (http://www.sci.utah.edu/software/scirun.html) SCIRun. SCIRun ist ein Problemlösungs-Umgebung für Modellierung, Simulation und Visualisierung wissenschaftlicher Probleme. Dies ist die rechnerische Werkbank verwendet erstellen, lösen und Interaktion mit dem Modell in diesem Projekt entwickelt. Hinweis: SCIRun Netzwerke entstehen durch die Verbindung von Sequenzen aus einzelnen Modulen, die bestimmte Aufgaben zu erfüllen. Weitergabe von Daten über ein Netzwerk aus einfachen Module ermöglicht komplexere Verarbeitung und Simulation.</li>
	</ol>
</li>
	<li>Aufbau der Elektroden-Geometrie Hinweis: Die Elektrode modelliert in diesem Projekt ist ein Medtronic 3387 DBS Blei20. Es ist eine zylindrische Führung mit vier Kontakte 1,5 mm in der Höhe, 1,27 mm im Durchmesser und Abstand 1,5 mm auseinander. Nicht-leitendes Material trennt die vier Kontakte.<ol>
<li>Erstellen Sie eine geschlossene Flächennetz für jede Komponente in die DBS-Führung die aufgeführten Abmessungen passend. Erstellen Sie die gesamte Führung durch zwei primitive Geometrien, Zylinder und Kugeln. Hinweis: Die Lead-Geometrie kann in einer Vielzahl von 3D Modellierung Programme erstellt werden.</li>
		<li>Erstellen Sie eine Flächennetz einer Kapselung Schicht 0,5 mm dick, rund um die gesamte Führung.</li>
	</ol>
</li>
	<li>Das ganze Gehirn Netz erstellen<ol>
<li>Laden Sie die Gehirn-Oberfläche erstellt in Teil 1 zu dienen als die äußere Begrenzung der FEM.</li>
		<li>Erstellen Sie zwei konzentrische Box Flächen rund um die DBS-Führung, die Netzdichte um die Elektrode zu kontrollieren. Hinweis: Der DBS führen und box Oberfläche sollte mit der unteren Spitze des Schachtes Elektrode befindet sich am Ursprung der positiven z-Achse ausgerichtet werden. Dies ist wichtig für spätere Rotation und Translation der Elektrode.</li>
		<li>Erstellen Sie eine Punktwolke mit einem einzigen Punkt befindet sich in jeweils eigenständige Region des Netzes. Die Regionen des Netzes sind: der Wellenabschnitte, die vier Kontakte, Feld und der Oberfläche des Gehirns. Diese Punkte verbundenen Werte repräsentieren die maximale Lautstärke Einschränkungen für jedes Tetraeder Element im Netz für diese Region. Diese Einschränkungen werden angepasst, um die Netzdichte in und um die Elektrode zu kontrollieren.</li>
		<li>Verwenden Sie das Modul "InterfaceWithTetGen" um das ganze Gehirn-Netz zu erstellen. Legen Sie die Eingänge wie folgt: Anschluss 1: Gehirn Oberfläche (ab 1.1) Anschluss 2: regionale Attribut Punktwolke, Volumen Zwängen (2.3.3) Anschluss 3: keine Anschluss 4: Modell Elektrodenflächen (ab 2.2)</li>
	</ol>
</li>
	<li>Platzierung der interaktiven Elektrode Hinweis: Das Ziel dieses Schrittes ist es, einfache Bewegung der Elektrode überall innerhalb des Gehirns zu aktivieren und das System automatisch aktualisiert, mit einem neuen Netz und Simulation.<ol>
<li>Verwenden Sie zwei überlappende CreateGeometricTransform Module, um die Elektrode in der X- und Y-Ebene drehen. Klicken Sie auf drehen und erstes Modul 1,00 auf Achse Y und die zweite auf 1,00 auf Achse X. Der Drehwinkel wird mit dem unteren Schieber, Drehen Theta (Grad)festgelegt.</li>
		<li>Schließen Sie ein TransformMeshWithTransform -Modul für jede Transformation und Objekt, der umgewandelt werden soll.</li>
		<li>Erstellen Sie ein GenerateSinglePointProbeFromField -Modul und das Modul ViewScene seine Geometrie-Port an. Bewegen der Kugel im Fenster " ViewScene " durch die UMSCHALTTASTE gedrückt halten und mit der linken Maustaste. Die Punkt-Sensormodule aktualisiert die Kugel Speicherort beim Loslassen. Hinweis: Diesen Standort wird verwendet, um festzustellen, die Übersetzung Transformation auf die Elektrode Geometrie angewendet.</li>
		<li>Verwenden Sie ein TransformMeshWithTransform -Modul, um jeden Teil des Elektroden-Geometrie mit der Position des Punkts Sonde übersetzen.</li>
		<li>Die zwei Drehung Transformationen und die Übersetzung aus dem Punkt Sonde Widget auf jedes Objekt außer der Gehirn-Oberfläche auftragen. Hinweis: Alle drei dieser Veränderungen sollte auf jedem Objekt durchgeführt werden, bevor es in das InterfaceWithTetGen -Modul geleitet wird, so dass die Netzerstellung Algorithmus kennt, um die Elektroden-Geometrie im Inneren des Gehirns an die neue Position und Ausrichtung zu vernetzen. Jedes Mal, wenn die Elektrode im Gehirn verschoben wird, wird ein neues Netz gebaut werden.</li>
	</ol>
</li>
</ol>(3) bioelektrischen Feldberechnung
<ol><li>Einstellparameter Leitfähigkeit<ol>
<li>Ladevolumen in Schritt 1 erstellte DTI und legen Sie die Daten auf die Tetraedergitter Ausgabe von InterfaceWithTetGen in Schritt2 mit MapFieldDataFromSourceToDestination mit der linear('weighted')-Option erstellt. Hinweis: In diesem Schritt sind keine anisotrope Leitfähigkeit Schätzung realisierbar.</li>
		<li>Legen Sie die Welle Region Leitfähigkeit auf 1E-6 und Kontaktbereich, 1e6 mit CalculateFieldData. Sobald alle Leitfähigkeitswerte festgelegt sind, Leitung Bereich in BuildFEMatrix.</li>
	</ol>
</li>
	<li>Strom/Spannung Quellen und Randbedingungen einstellen<ol>
<li>Rohr der Gehirn-Oberfläche in die Netzerstellung aus Schritt2 in SetFieldDataToConstantValue und legen Sie den Wert auf 0. Dadurch entsteht eine Spannung Senke auf der Oberfläche des gesamten Gehirns. Verwenden Sie dann InsertVoltageSource , um die Spannungswerte auf die Tetraedergitter Ausgabe von InterfaceWithTetGenzu platzieren.</li>
		<li>Erstellen Sie für monopolare Stimulation einen einzelnen Punkt in der Mitte einer der Kontakt Standorte durch die Berechnung des FieldCenter-Wert aus dem ReportFieldInfo -Modul auf einem der Kontaktflächen. Setzen Sie die Felddaten in diesem Punkt-1 Volt. Dann verwenden Sie InsertVoltageSource um die Punktschallquelle in der Tetraedergitter platzieren. Hinweis: Es gibt jetzt zwei Kopien der Tetraedergitter. Eins mit Spannungswerte auf der Oberfläche des Gehirns und eins mit einer Punktquelle innerhalb eines Kontakts festlegen.</li>
		<li>Begleiten Sie die Leistung der beiden InsertVoltageSource Module und die Ausgabe in ApplyFEMVoltageSource zusammen mit der Ausgabe von BuildFEMatrix.</li>
	</ol>
</li>
	<li>Problemlösung nach vorne Hinweis: Die Ausgabe des ApplyFEMVoltageSource gibt die Steifigkeitsmatrix an Port 1 und der rechten Seite Matrix an Port 2. Dies sind die zwei Komponenten erforderlich, um das System von Gleichungen zu lösen.<ol>
<li>Die beiden Ausgänge des ApplyFEMVoltageSource in SolveLinearSystemRohr. Wählen Sie das konjugieren Gradient Methode und Jacobi als die Vorkonditionierer lösen. Die Ausgabe dieses Moduls ist die Lösungsmatrix Spannungswert an jedem Knoten in der Tetraedergitter.</li>
		<li>Verwenden Sie SetFieldData , um die Spannung Lösungsmatrix auf Tetraedergitter für eine 3D Darstellung der Spannungsverteilung zu platzieren.</li>
	</ol>
</li>
	<li>Isofläche Visualisierung<ol>
<li>Rohr-das Ergebnis der SetFieldData in ExtractSimpleIsosurface. Öffnen Sie die Benutzeroberfläche auf die Registerkarte " Menge " und die Anzahl der Isowerten gleichmäßig verteilt auf 10 festgelegt.</li>
		<li>Verwenden Sie ein ShowField Modul und schließen Sie es an das ViewScene Modul der Isoflächen als transparent mit einem Regenbogen-Farbkarte skaliert auf die Min. und Max. Spannung-Lösung anzeigen.</li>
	</ol>
</li>
</ol>

<ol><li>Benabid, A. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chronic+electrical+stimulation+of+the+ventralis+intermedius+nucleus+of+the+thalamus+as+a+treatment+of+movement+disorders%5BTitle%5D)+AND+%22Journal+of+Neurosurgery%22%5BJournal%5D)">Chronic electrical stimulation of the ventralis intermedius nucleus of the thalamus as a treatment of movement disorders.</a> Journal of Neurosurgery. 84 (2), 203-214 (1996).</li>
<li>Limousin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+parkinsonian+signs+and+symptoms+of+bilateral+subthalamic+nucleus+stimulation%5BTitle%5D)+AND+%22The+Lancet%22%5BJournal%5D)">Effect of parkinsonian signs and symptoms of bilateral subthalamic nucleus stimulation.</a> The Lancet. 345 (8942), 91-95 (1995).</li>
<li>Schiff, N. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Behavioural+improvements+with+thalamic+stimulation+after+severe+traumatic+brain+injury%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Behavioural improvements with thalamic stimulation after severe traumatic brain injury.</a> Nature. 448 (7153), 600-603 (2007).</li>
<li>Vandewalle, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stereotactic+treatment+of+Gilles+de+la+Tourette+syndrome+by+high+frequency+stimulation+of+thalamus%5BTitle%5D)+AND+%22Lancet%22%5BJournal%5D)">Stereotactic treatment of Gilles de la Tourette syndrome by high frequency stimulation of thalamus.</a> Lancet. 353 (9154), 724(1999).</li>
<li>Mayberg, H. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+brain+stimulation+for+treatment-resistant+depression%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Deep brain stimulation for treatment-resistant depression.</a> Neuron. 45 (5), 651-660 (2005).</li>
<li>Hashimoto, T., Elder, C. M., Okun, M. S., Patrick, S. K., Vitek, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stimulation+of+the+subthalamic+nucleus+changes+the+firing+pattern+of+pallidal+neurons%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Stimulation of the subthalamic nucleus changes the firing pattern of pallidal neurons.</a> Journal of Neuroscience. 23 (5), 1916-1923 (2003).</li>
<li>York, M. K., Wilde, E. A., Simpson, R., Jankovic, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relationship+between+Neuropsychological+Outcome+and+DBS+Surgical+Trajectory+and+Electrode+Location%5BTitle%5D)+AND+%22J.+Neurol.+Sci%22%5BJournal%5D)">Relationship between Neuropsychological Outcome and DBS Surgical Trajectory and Electrode Location.</a> J. Neurol. Sci. 287 (1-2), 159-171 (2009).</li>
<li>Machado, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+brain+stimulation+for+Parkinson%27s+disease%3A+surgical+technique+and+perioperative+management%5BTitle%5D)+AND+%22Movement+Disorders%22%5BJournal%5D)">Deep brain stimulation for Parkinson's disease: surgical technique and perioperative management.</a> Movement Disorders. 21, S247-S258 (2006).</li>
<li>Volkmann, J., Moro, E., Pahwa, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Basic+algorithms+for+the+programming+of+deep+brain+stimulation+in+Parkinson%27s+disease%5BTitle%5D)+AND+%22Movement+Disorders%22%5BJournal%5D)">Basic algorithms for the programming of deep brain stimulation in Parkinson's disease.</a> Movement Disorders. 21 (S14), S284-S289 (2006).</li>
<li>Contarino, M. F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directional+steering%3A+A+novel+approach+to+deep+brain+stimulation%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Directional steering: A novel approach to deep brain stimulation.</a> Neurology. 83 (13), 1163-1169 (2014).</li>
<li>Pollo, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directional+deep+brain+stimulation%3A+An+intraoperative+double-blind+pilot+study%5BTitle%5D)+AND+%22Brain%22%5BJournal%5D)">Directional deep brain stimulation: An intraoperative double-blind pilot study.</a> Brain. 137 (7), 2015-2026 (2014).</li>
<li>Willsie, A. C., Dorval, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fabrication+and+initial+testing+of+the+%C2%B5DBS%3A+a+novel+deep+brain+stimulation+electrode+with+thousands+of+individually+controllable+contacts%5BTitle%5D)+AND+%22Biomedical+Microdevices%22%5BJournal%5D)">Fabrication and initial testing of the µDBS: a novel deep brain stimulation electrode with thousands of individually controllable contacts.</a> Biomedical Microdevices. 17 (56), 9961(2015).</li>
<li>Oliveria, S. F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Safety+and+efficacy+of+dual-lead+thalamic+deep+brain+stimulation+for+patients+with+treatment-refractory+multiple+sclerosis+tremor%3A+a+single-centre%2C+randomised%2C+single-blind%2C+pilot+trial%5BTitle%5D)+AND+%22The+Lancet+Neurology%22%5BJournal%5D)">Safety and efficacy of dual-lead thalamic deep brain stimulation for patients with treatment-refractory multiple sclerosis tremor: a single-centre, randomised, single-blind, pilot trial.</a> The Lancet Neurology. 16 (9), 691-700 (2017).</li>
<li>Butson, C. R., Cooper, S. E., Henderson, J. M., Wolgamuth, B., Mcintyre, C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Probabilistic+Analysis+of+Activation+Volumes+Generated+During+Deep+Brain+Stimulation%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Probabilistic Analysis of Activation Volumes Generated During Deep Brain Stimulation.</a> Neuroimage. 54 (3), 2096-2104 (2011).</li>
<li>Basser, P. J., Mattiello, J., LeBihan, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MR+diffusion+tensor+spectroscopy+and+imaging%5BTitle%5D)+AND+%22Biophys.+J%22%5BJournal%5D)">MR diffusion tensor spectroscopy and imaging.</a> Biophys. J. 66 (1), 259-267 (1994).</li>
<li>Gullmar, D., Haueisen, J., Reichenbach, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Influence+of+anisotropic+electrical+conductivity+in+white+matter+tissue+on+the+EEG%2FMEG+forward+and+inverse+solution.+A+high-resolution+whole+head+simulation+study%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Influence of anisotropic electrical conductivity in white matter tissue on the EEG/MEG forward and inverse solution. A high-resolution whole head simulation study.</a> NeuroImage. 51 (1), 145-163 (2010).</li>
<li>Fischl, B. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/22248573">FreeSurfer.</a> Neuroimage. 62 (2), 774-781 (2012).</li>
<li>Fedorov, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+Slicer+as+an+Image+Computing+Platform+for+the+Quantitative+Imaging+Network%5BTitle%5D)+AND+%22Magn.+Reson.+Imaging%22%5BJournal%5D)">3D Slicer as an Image Computing Platform for the Quantitative Imaging Network.</a> Magn. Reson. Imaging. 30 (9), 1323-1341 (2012).</li>
<li>Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/21979382">FSL.</a> Neuroimage. 62 (2), 782-790 (2012).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Medtronic+DBS+3387%2F3389+Lead+Kit+Manual%22">Medtronic DBS 3387/3389 Lead Kit Manual</a>. , (2018).</li>
<li>Baker, J. L., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/27582298">Robust modulation of arousal regulation, performance and frontostriatal activity through central thalamic deep brain stimulation in healthy non-human primates.</a> Journal of Neurophysiology. 116 (5), 2383-2404 (2016).</li>
<li>Fregni, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Treatment+of+major+depression+with+transcranial+direct+current+stimulation%5BTitle%5D)+AND+%22Bipolar+Disorders%22%5BJournal%5D)">Treatment of major depression with transcranial direct current stimulation.</a> Bipolar Disorders. 8 (2), 203-204 (2006).</li>
<li>Hodaie, M., Wennberg, R. A., Dostrovsky, J. O., Lozano, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chronic+anterior+thalamus+stimulation+for+intractable+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Chronic anterior thalamus stimulation for intractable epilepsy.</a> Epilepsia. 43 (6), 603-608 (2002).</li>
<li>Rosenow, F., Lüders, H. <a target="_blank" href="https://academic.oup.com/brain/article/124/9/1683/303186">Presurgical evaluation of epilepsy.</a> Brain. 124 (9), 1683-1700 (2001).</li>
</ol>

Christopher R. Butson, Ph.D. diente als Berater für NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medizin, St. Jude Medical und funktionale Neuromodulation.

Dieses Protokoll hat Techniken, um die Zeit zu entlasten und rechnerische Kosten des Aufbaus Patienten spezifische Modelle für DBS bis zu einem Grad, der in der Nähe von Echtzeit-Feedback der Simulationsergebnisse erlaubt. Schnelles Feedback ermöglicht die Erforschung der großen Parameterraum, besser zu verstehen, wie Parameteränderungen die Modellergebnisse beeinflussen. Diese Parameter umfassen Blei Lage, Wahl der aktiven Kontakte und die Amplitude, Impulsbreite und Frequenz der Stimulation Wellenform an diese Kontakte. Die wichtigsten Merkmale des vorgeschlagenen Tools sind: 1) eine einfache Benutzeroberfläche anpassen die Modellparameter mit in der Nähe von Echtzeit-Visualisierung wie diese Parameter der Simulation, und (2) Automatisierung der Modellerstellung von einer kleinen Reihe von Eingaben beeinflussen: die Gehirn-Oberfläche Gehirn Gewebe Leitfähigkeit Tensoren und einer Oberfläche Darstellung der Elektroden-Geometrie. Diese Automatisierung beschleunigt die Erstellung von patientenspezifischen Modellen für viele Personen, die verschiedenen Geometrien und Gewebe Leitfähigkeiten sowie Evaluierung der Auswirkungen der bestehenden Modelle unterschiedlichen Elektrode Entwürfe einfügen. In diesem Protokoll beschriebenen Bild Vorverarbeitung Schritte waren nicht vollständig automatisiert und können bis zu einem Tag Bearbeitungszeit dauern. Sobald die Daten aus diesen Schritten abgeschlossen gelten jedoch statisch, d. h., dass diese Daten nicht während der Simulation geändert werden. Die Automatisierung der Modellerstellung entsteht aus der Fähigkeit des Systems, die Patienten-spezifischen FEM ohne manuellen Aufwand diese Daten zuweisen. Das SCIRun-Netzwerk alle Modellgeneration, Simulation, Visualisierung Schritte ausführen muss nur einmal gebaut werden. Daher müssen nur die Bild Vorverarbeitung Schritte erneut durchgeführt werden, um ein Patienten-spezifischen Modell für Patienten zu erzeugen.
Der Performance-Gewinn in der Generierung von Ergebnissen aus der Modellierung-Pipeline ist durch die Integration der Gittergenerierung, bioelektrische Feldberechnungen und Visualisierung der Lösung in einer einzigen Softwareumgebung. Bestehenden Modellierungstechniken wie adaptive Mesh Generation wurden verwendet, um höhere erstellen ineinander greifen, um die Elektrode und niedriger Dichte weiter von der Elektrode, die reduziert die Zeit, zu bauen und zu lösen die FEM. Die Software, SCIRun, ermöglicht auch die Automatisierung der Gittergenerierung und bioelektrischen Feldberechnungen. Benutzerdefinierte Bewegung der Elektrode mit den interaktiven Widgets löst den Bau eines neuen Netzes mit der aktualisierten elektrodenposition. Dazu gehören der Randbedingungen und Leitfähigkeitswerte für die neue elektrodenposition zu verändern.
Die Elektroden-Geometrie wird als ein frei bewegliches Objekt innerhalb der Hirnvolumen behandelt, bevor seine Position in der FEM integriert ist Eine wichtige Implikation dieses Ansatzes für Netz-Konstruktion ist, dass mehrere Elektroden leicht in das Modell eingefügt werden können. Zum Beispiel, eine zweite Kopie der Elektroden-Geometrie kann mehrere Millimeter entfernt platziert werden und beide werden in der FEM enthalten sein In einer aktuellen Studie haben zwei Elektroden implantiert wurde, in unmittelbarer Nähe zur Behandlung multipler Sklerose Zittern13 und in nicht-menschlichen Primaten Experimente verwendet wurden, um effektive Stimulation Ziele21zu erkunden. Der Vorteil der Verwendung mehrerer Elektroden soll bessere Kontrolle über das elektrische Feld erzeugt im Gewebe über eine größere Fläche zu bieten. Stimulierung mit aktiven Kontakte an den beiden Elektroden kann aktuelle lenken, in Richtung der Zielregion und Weg von Regionen, die zu negativen Nebenwirkungen führen würde. Feinere Kontrolle der Stimulation über eine größere Fläche eignet sich auch verschiedenen Orte zu erforschen, die genaue Lage des beabsichtigten Ziels ist nicht bekannt, wie der Fall mit vielen aufstrebenden Therapieanwendungen des DBS ist. Bestimmung der Parameter, therapeutische Stimulation zu erreichen ist jedoch schwieriger als eine einzelne Elektrode aufgrund der Zunahme einer bereits große Parameterraum.
Wir uns vorstellen, dass diese interaktive Modellierungs-Tool nutzen bei der präoperativen Planung für DBS Implantation bieten könnte. Feedback über das Ausmaß der Stimulation im Hirngewebe können Chirurgen die Elektrode Position in ihren chirurgischen Plan zur therapeutischen Stimulation auf die Zielregion bieten zu ändern. DBS-Therapie der primären motivierender Faktor für die Entwicklung dieses Werkzeug war, können in diesem Beitrag vorgestellten Verfahren auf irgendwelchen FEM bioelektrische Feld mit verschiedenen Stimulation oder Aufnahme Paradigmen angewendet werden. Stimulation Therapien wie transkranielle Gleichstrom Stimulation für Depressionen22 oder die Verwendung von Tiefe Elektroden zur Behandlung von Epilepsie23 Teilen denselben Herausforderungen wie die DBS bei der Bestimmung des besten Lage der Stimulation zu erreichen therapeutische Ergebnisse. Electrocorticography, eine Aufnahmetechnik mit Arrays von Elektroden auf der Oberfläche des Gehirns, Beschlagnahme Beginn Regionen zu identifizieren hat die Herausforderung bestimmen, wo platzieren Sie die Elektroden Aufnahme von Zielregionen in der Gehirn-24. Alle diese Anwendungen sind elektrodenposition beim Umgang mit der Unsicherheit der wie Strom durch das Gehirngewebe fließt abhängig. In diesem Whitepaper vorgestellten Techniken reduzieren die Belastung der Erzeugung und Verwendung Rechenmodelle und bietet sinnvolle Feedback für Forscher und Kliniker, die mit diesen Geräten, die keine Modellierung Experten.

Tiefe Hirnstimulation (DBS) ist eine etablierte Therapie für Bewegungsstörungen wie essentiellem Tremor1 und der Parkinson-Krankheit2. Diese Therapie wird auch als mögliche Behandlung für eine wachsende Zahl von Erkrankungen einschließlich Schädel-Hirn-Verletzung-3, Tourette-Syndrom4und Depression5untersucht. DBS Systeme erfordern chirurgische Implantation einer Elektrode Blei Stimulation in einem lokalisierten Hirnregion zu modulieren, laufende neuronale Aktivität6liefern. Die Lage der Elektroden und die Stimulationsparameter wirken sich auf die Modulation der neuronalen Schaltkreise, die therapeutischen Nutzen zu bieten. Kleine Abweichungen in Lage beeinflussen das therapeutische Fenster, möglicherweise erhöht die Wahrscheinlichkeit von unerwünschten Nebenwirkungen, vor therapeutischer nutzen erreicht7,8,9. In der Praxis ist es oft schwierig, vorauszusagen, dass die Effekte-Stimulation auf die neuronale Aktivität haben wird; Daher wird dieses Fenster des therapeutischen Nutzens auf Basis von Patienten identifiziert, wie die stimulationsvorrichtung durch die Kliniker8,9programmiert ist. Dieser Prozess wird immer komplexer, sobald neue Generationen von DBS Geräte verfügbar sind. Zum Beispiel neuartige Blei Designs mit mehr Kontakte10,11,12eingeführt, und in einigen Fällen sind mehrere Leads in unmittelbarer Nähe zu einander13implantiert wird. Deshalb müssen sich in der Lage zu erkunden und die Auswirkungen des DBS über eine große und wachsende Parameterraum.
Computergestützten Modellierung und Analyse können verwendet werden, um die physiologischen und klinischen Auswirkungen der DBS auf patientenspezifischer Basis vorherzusagen. Diese Modelle verwenden Finite-Elemente-Modellierung (FEM), um drei dimensionale Darstellungen des Hirngewebes und die biophysikalischen Eigenschaften der implantierten Elektrode zu bauen. FEM bioelektrische Feld Modelle haben erfolgreich eingesetzt, um die Auswirkungen der DBS14vorherzusagen, aber bis jetzt wurden diese zeitaufwändige und rechnerisch kostspielig zu generieren. Besteht ein Bedarf für neue Modellierungstechniken, Schritt zu halten mit der zunehmenden Komplexität der DBS-Geräte. Diese Patienten-spezifischen Modelle sollen in der Nähe von visuellem Feedback in Echtzeit über die Auswirkungen der DBS als Lead-Standort oder Stimulationsparameter geändert werden. Der Benutzer würde erhalten Sie Feedback über eine Lead-Standort und Stimulation Einstellung in ein paar Sekunden, so dass weiterhin Verfeinerung der Blei-Platzierung im Laufe von mehreren Minuten. Patienten-Spezifität wird durch Einbeziehung der Anatomie des Patienten, deren Gehirn Form und Größe, beim Bau der FEM und Anwenden der biophysikalischen Eigenschaften ihres Gehirns, wie anisotrope Gewebe Leitfähigkeit erreicht. Anisotrope Leitfähigkeit beschreibt, wie Strom wird durch verschiedene Gehirnregionen verteilt und nicht-invasiv gemessen werden, für das gesamte Gehirn ähnlich wie ein Bild der typischen Magnetresonanz (MRI).
DBS Modellierung Ansätze, die nicht mit Patienten-spezifischen Informationen können schnelle, aber weniger genaue Vorhersagen der Stimulation Effekte durch generalisierte Geometrien und Leitfähigkeitswerte für Hirngewebe bereitstellen. Bei diesem Ansatz einer einzigen FEM dient für alle Patienten und der vorhergesagte neuronale Aktivität im Voraus berechnet werden kann. Patienten-spezifische Modelle nicht verallgemeinert und vorab berechnet, da eine neue FEM für jeden einzelnen gebaut ist. Diese Modelle erfordern mehr Aufwand zu bauen aber genauer. Mehrere Faktoren begrenzen die Geschwindigkeit, an dem diese Modelle gebaut und verwendet werden können: 1) Parameter zu Beginn des Gebäudes modellpipeline, wie z. B. elektrodenposition, erfordert manuellen Aufwand zur Aktualisierung aller nachfolgenden Schritte; und 2) die Schritte in der Modellierung-Pipeline sind nicht problemlos miteinander erfordert die Übergabe von Daten zwischen mehreren Softwarepaketen. Oft wollen wir viele verschiedene Situationen wie elektrodenposition, Stimulationsparameter oder Elektrode Designs bewerten. Um aussagekräftige Rückmeldung über die Wirkung zu bieten, die diese Änderungen auf die therapeutische Wirkung haben, die der Patient erhalten, sollten diese Ergebnisse korrekt und erzeugt schnell sein.
Unser Ziel ist es, neue Techniken für Gebäude patientenspezifische Modelle, die die Geschwindigkeit nutzen in generalisierten Modellen erhältlich und automatisieren viele der Pipeline Schritte interaktive Modellierungsumgebung zu schaffen, die in der Nähe von Echtzeit-Visual bietet zu präsentieren Feedback über die Auswirkungen des DBS. Eine interaktive Simulation ermöglicht einem Benutzer, Vorhersagen zu testen und schnell Ergebnisse zu erzielen, ohne auf Einzelheiten der Modellbau. Dies ist vorteilhaft, wenn es eine große Parameterraum zu erkunden und wie diese Parameter beeinflussen die Simulation sind unsicher. Beschreiben wir die Schritte in der Verarbeitungspipeline, interaktive, patientenspezifische FEM-Modelle von Magnetresonanz-Bildgebung (MRI) Übernahmen zu generieren. Nutzung der Tools und Techniken, die in diesem Dokument beschriebenen reduzieren die Kosten für die Erstellung von FEM bioelektrische Feld Modelle und bieten die Möglichkeit, diese Modelle für Forscher und Kliniker, die nicht Experten modellieren zugänglich zu machen.
Dieses Protokoll beschreibt, wie eine patientenspezifische finite-Elemente-Modell von erworbenen MRI Bände zu bauen, und dann simulieren das elektrische Feld induziert durch eine DBS-Elektrode. Die wichtigsten Schritte bei der Erstellung dieser Modelle sollen: (1) ein finite-Elemente-Modell (FEM) repräsentieren das Gehirn des Patienten und der implantierten Elektrode bauen, 2) FEM biophysikalischen Eigenschaften und Hirnstimulation Parameter des Geräts DBS hinzu, und (3) lösen die Spannung, die durch die Elektrode in das Modell generiert. Zwei bildgebende Verfahren sind erforderlich, um einen Patienten spezifische Modell für DBS Simulation zu erstellen. Ein T1-MRT wird verwendet, um Segmentierungen des Gehirns Oberfläche, Ventrikel und spezifischen Kernen zu konstruieren. Diffusion weighted Imaging (DWI), ein gewisses Maß an Wasser diffusivität dient zur Verbreitung Tensoren im gesamten Gehirn Gewebe15zu schätzen. Die Diffusion Tensoren sind Leitfähigkeit Tensoren die inhomogenen, anisotropen biophysikalischen Eigenschaften des Gewebes auf einem Voxel quantifizieren durch Voxel Basis16umgewandelt. Die Spannungsverteilung im gesamten Gehirn induziert durch die Elektrode wird durch das Lösen der Poisson-Gleichung, die durch die Anwendung der FEM zu einem linearen System von Gleichungen vereinfacht berechnet Ax = b wo A ist eine Steifigkeitsmatrix, stellt die Leitfähigkeit und Geometrie des Netzes, x ist die Lösung der Spannung an jedem Knoten im Netz, und b wird geändert, je nach Randbedingungen und Stromquellen.

<table><tbody><tr><td>FreeSurfer</td><td>Athinoula A. Martinos Zentrum für biomedizinische Bildgebung</td><td></td><td><a href="https://surfer.nmr.mgh.harvard.edu/">https://surfer.nmr.mgh.harvard.edu/</a></td></tr><tr><td>3D Slicer</td><td>BWH, Harvard University</td><td></td><td><a href="https://www.slicer.org/">https://www.slicer.org/</a></td></tr><tr><td>SCIRun&nbsp;</td><td>Zentrum für integratives biomedizinisches Rechnen der Universität von Utah</td><td><a href="http://www.sci.utah.edu/cibc-software/scirun.html">http://www.sci.utah.edu/cibc-software/scirun.html</a></td><td></td></tr></tbody></table>

targeting neuronalen faser traktate für deep brain stimulationstherapie mit interaktiven, patientenspezifische modelle

Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models

Tiefe Hirnstimulation (DBS), die Einfügung einer Elektrode Stimulation zu einer lokalisierten Hirnregion liefern miteinbezieht, ist eine etablierte Therapie für Bewegungsstörungen und auf eine wachsende Zahl von Erkrankungen angewendet wird. Computergestützten Modellierung wird erfolgreich eingesetzt, die klinischen Wirkungen von DBS vorherzusagen; Allerdings gibt es eine Notwendigkeit für neuartige Techniken mit der wachsenden Komplexität der DBS-Geräten mithalten. Außerdem müssen diese Modelle schnell und präzise Vorhersagen zu generieren. Das Ziel dieses Projektes ist, eine Bild-Verarbeitungs-Pipeline um strukturelle Magnetresonanztomographie (MRT) und Diffusion weighted Imaging (DWI) in eine interaktive, geduldige modellspezifisch simulieren die Auswirkungen von DBS zu integrieren zu entwickeln. Eine virtuelle Führung DBS platziert werden kann, innerhalb der Patienten Modell, zusammen mit aktiven Kontakte und Stimulation Einstellungen, wo Änderungen in führende Position oder Ausrichtung eine neue finite-Elemente-Netz und Lösung des Problems bioelektrische Feld in erzeugen nahezu Echtzeit, ein Zeitspanne von ca. 10 Sekunden. Dieses System ermöglicht auch die Simulation von mehrere Leads in der Nähe um aktuelle Lenkung durch unterschiedliche Anoden und Kathoden auf verschiedenen führt zu ermöglichen. In diesem Whitepaper vorgestellten Techniken reduzieren die Belastung der Erzeugung und Verwendung Rechenmodelle und bietet aussagekräftige Rückmeldung über die Auswirkungen der elektrodenposition Elektrodenkonstruktion und Stimulation Konfigurationen für Forscher und Kliniker Wer möglicherweise nicht Modellierung Experten.

Am Ende dieses Protokolls werden alle notwendigen Eingänge zum Erstellen eines Patienten-spezifischen Modells zur Verfügung gestellt: die Oberfläche des Gehirns, Elektroden-Geometrie und Leitfähigkeit Tensoren. Ein SCIRun-Netzwerk sollte auch erstellt worden sein, der integriert alle Eingänge ein finite-Elemente-Modell zu bauen und die induzierte bioelektrische Feld zu simulieren. Das Simulationsmodell ermöglicht eine Bewegung der Elektrode im Gehirn und Änderung von Parametern wie aktive Kontakte oder Stimulation Amplitude.
Abbildung 1 zeigt die Fähigkeit zu simulieren und Faser Aktivierung Vorhersagen über mehrere Elektrodenpositionen zu vergleichen. Generation von Faser Traktate aus der Diffusionsbildgebung zeigte sich nicht in diesem Protokoll, aber diese Analyse kann mit jeder deterministische traktographie Methode durchgeführt werden. Position 2 prognostiziert eine robustere Aktivierung der Ziel-Faserbündel bei geringer Stimulation Amplituden über alle Kontakte im Vergleich zu Position 1. Diese Analyse wird während der Planungsphase der DBS Chirurgie verwendet, um die Elektrode Flugbahn zu bestimmen, die effektiv den Ziel Faser Weg fördern.
Ein neues Merkmal dieses Systems ist die Möglichkeit, schnell die Elektroden-Geometrie im Modell wechseln und die Fähigkeit, mehrere Leads in unmittelbarer Nähe zueinander zu simulieren. Beide Ansätze sind verwendet, um größere Kontrolle über die Form und die Lenkung des elektrischen Feldes um die Elektrode zu bieten. Abbildung 2 zeigt den Vergleich der Faser Aktivierung Vorhersagen zwischen einem axialsymmetrisch und eine gerichtete DBS führen während der Untersuchung führen Standorte, zentrale thalamische Faser Wege und die Vermeidung von nahe gelegenen Gebieten wie z. B. die sensorischen Kerne zu stimulieren . Für den gleichen Elektrode Bahn sehen wir, dass die gerichtete Führung Faser-Aktivierung auf die Zielregion zu lenken, während der Erregung von unerwünschten Fasern zu vermeiden kann. Diese Analyse kann verwendet werden, um festzustellen, wann wäre es notwendig, das Gerät zu ändern, die, das der Patient erhalten würde für DBS Therapie zur Stimulation des nahe gelegenen Regionen zu vermeiden, die zu unerwünschten Nebenwirkungen führen würde. Dieser Ansatz eignet sich für die Ausrichtung der subthalamic Nucleus zur Behandlung der Symptome der Parkinson-Krankheit, unter Vermeidung der nahe gelegenen Capsula.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/57292/57292fig1.jpg"> Abbildung 1 : Vergleich der elektrodenposition und Prognosen der Ziel-Faser-Aktivierung. Vorhersage der gesamtfaser Bündel Aktivierung für Stimulation Amplituden (-0,5 V, -5,0 V) und alle vier Kontakte für zwei verschiedene Elektrodenpositionen. <a href="https://www.jove.com/files/ftp_upload/57292/57292fig1large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/57292/57292fig2.jpg"> Abbildung 2 : Vergleich der zentralen thalamische Faser Bundle Aktivierung Vorhersagen mit axialsymmetrisch und Spurtreu DBS führt. (A) Visualisierung von beiden die Medtronic 3387 zylindrische DBS Sapiens gerichtete DBS führen und mit Aktivierung Funktion Berechnungen auf das Ziel zentrale thalamische Faserbündel für eine einzelne monopolare Stimulation Amplitude. (B) (i) ein quer-Schnitt durch die DBS Blei und Faser-Bündel. (Ii) eine zweidimensionale Projektion der Querschnittsfläche mit der Identifizierung des DBS führen, Ziel, Fasern und Fasern zu vermeiden. (C) erhöht sich die Ausbreitung der Aktivierung über Ziel Fasern und Fasern der Vermeidung als Anregung Amplitude für axialsymmetrisch und Spurtreu führen DBS. Aktivierte Fasern für eine gegebene Anregung Amplitude werden in rot angezeigt, während Fasern nicht aktiviert in blau angezeigt werden. (D) eine Zusammenstellung von allen Simulationen in Feld C, zeigt die prognostizierte Stimulation Schwelle Amplitude in allen Regionen die Faserbündel gezeigt. <a href="https://www.jove.com/files/ftp_upload/57292/57292fig2large.jpg">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>

Das Ziel dieses Projektes ist es, eine interaktive, Patienten-spezifischen Modellierung Pipeline um die Effekte der tiefen Hirnstimulation in nahezu in Echtzeit zu simulieren und aussagekräftige Rückmeldung, wie diese Geräte neuronalen Aktivität im Gehirn beeinflussen zu entwickeln.

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

Deep brain stimulation (DBS), which involves insertion of an electrode to deliver stimulation to a localized brain region, is an established therapy for ...

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.

targeting-neuronal-fiber-tracts-for-deep-brain-stimulation-therapy

Research

Forschung

JoVE Journal

Bioengineering

Biotechnik

Der Mechanismus, der den therapeutischen Effekten der Tiefen Hirnstimulation (DBS) zugrunde liegt, muss untersucht werden. Die in diesem Manuskript vorgestellten Methoden beschreiben einen experimentellen Ansatz zur Untersuchung der zellulären Ereignisse, die durch die THS ausgelöst werden, indem das Genexpressionsprofil von Kandidatengenen analysiert wird, die die Neurogenese nach einer THS-Operation erleichtern können.

Die Analyse der Genexpression Veränderungen im Hippocampus Ratte nach Tiefenhirnstimulation des Anterior Thalamuskern

Hier skizzieren wir das Verfahren für die MRT-gesteuerte repetitive transkranielle Magnetstimulation des dorsomedialen präfrontalen Kortex als experimentelle Behandlung für schwere depressive Störungen.

MRI-geführte dmPFC-rTMS zur Behandlung behandlungsresistente Major Depressive Disorder

Das Protokoll zeigt einen Prototyp der multimodalen Datenerfassungsplattform für zu Hause, die die Forschung zur Optimierung der adaptiven tiefen Hirnstimulation (aDBS) für Menschen mit neurologischen Bewegungsstörungen unterstützt. Wir präsentieren auch wichtige Erkenntnisse aus der Bereitstellung der Plattform für über ein Jahr bei einer Person mit Parkinson-Krankheit.

Die Klinik nach Hause bringen: Ein multimodales Ökosystem für die Datenerfassung zu Hause zur Unterstützung der adaptiven tiefen Hirnstimulation

Dieses Protokoll beschreibt die Methode der neuronavigierten Elektrodenplatzierung für die fokale, transkranielle Gleichstromstimulation (tDCS), die während der funktionellen Magnetresonanztomographie (fMRT) verabreicht wird.

Neuronavigierte fokalisierte transkranielle Gleichstromstimulation während der funktionellen Magnetresonanztomographie

Ein neuartiges Protokoll für die personalisierte transkranielle Magnetstimulation in Kombination mit der Elektroenzephalographie (TMS-EEG) Kartierung kortikaler Netzwerke, das auf mehreren Datenmodalitäten der Magnetresonanztomographie (MRT) basiert.

Neuroimaging-gesteuertes TMS-EEG für die Echtzeit-Kartierung kortikaler Netzwerke

In dieser Arbeit wird beschrieben, wie funktionsspezifische Ziele für repetitive transkranielle Magnetstimulationseingriffe oder -behandlungen lokalisiert werden können, wenn keine Navigationsgeräte verfügbar sind.

Lokalisierung funktionsspezifischer Ziele für die transkranielle Magnetstimulation in Abwesenheit von Navigationsgeräten

Hier beschreiben wir ein standardisiertes Protokoll für die motorische Kartierung mit nTMS in Kombination mit der Diffusions-Tensorbildgebung (DTI)-basierter Rekonstruktion des kortikospinalen Trakts (CST). Das Protokoll ist reproduzierbar, klinisch machbar und leicht in routinemäßige klinische Arbeitsabläufe integriert und bietet einen robusten und wertvollen Rahmen für die Bewertung der motorischen Bahnen, die Forschung zur Neuroplastizität und die Rehabilitationsplanung.

Ein standardisiertes Protokoll für funktionelle motorische Kartierung unter Verwendung navigierter transkranialer magnetischer Stimulation

Dieses Protokoll beschreibt den Arbeitsablauf der robotergetrieben, fMRT-gesteuerten, personalisierten transkraniellen Magnetstimulationstherapie bei behandlungsresistenter Depression. Eine klinische Umsetzung mit diesem Protokoll ist möglich, und offene Ergebnisse unterstützen die reale Wirksamkeit dieses Ansatzes.

Robotergesteuerte fMRT-gesteuerte personalisierte transkranielle Magnetstimulationstherapie bei therapieresistenter Depression

Hier beschreiben wir ein Protokoll für ex-vivo Hochdichte-Mikroelektroden-Array-Aufnahmen von akuten Kleinhirnschnitten eines dystonen Hamstermodells, das in vivo kontinuierliche pallidale tiefe Gehirnstimulation über 11 Tage erhielt.

Untersuchung der netzwerkweiten Mechanismen der pallidalen Tiefenhirnstimulation mit hochdichten Mikroelektrodenarrays

In vielen biologischen und klinischen Situationen ist es vorteilhaft, zelluläre Prozesse zu untersuchen, wie sie sich entwickeln in ihrer Muttersprache Mikroumgebung. Hier beschreiben wir die Montage und die Verwendung eines Low-Cost-Glasfaser-Mikroskop, das Echtzeit-Bildgebung in der Zellkultur, Tierversuche und klinische Patientenstudien bieten kann.

Hochauflösende LWL-Mikroendoskopiesysteme für In situ Cellular Imaging

Entdecken Sie die Entwicklung interaktiver, patientenspezifischer Modelle zur Simulation von Tiefenhirnstimulation in Echtzeit. Diese computergestützte Methode verbessert die Planung von Therapien für Bewegungsstörungen wie Parkinson.

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

Weitere Videos entdecken