Électroencéphalographie et magnétoencéphalographie simultanées pour identifier les régions cérébrales sujettes aux crises

Résumé

Source : Papadelis, C., et al., Oscillations interictales à haute fréquence détectées avec magnétoencéphalographie et électroencéphalographie simultanées comme biomarqueur de l’épilepsie pédiatrique. J. Vis. Exp. (2016).

Cette vidéo montre la méthode d’utilisation des enregistrements d’électroencéphalographie (EEG) et de magnétoencéphalographie (MEG) pour identifier l’interictal décharges épileptiformes (IED) et oscillations à haute fréquence (HFO) pour localiser les régions du cerveau sujettes aux crises.

Protocole

<

p style='line-height :1.2 ;margin-bottom :0pt ;margin-top :0pt ;' dir='ltr'>Toutes les procédures impliquant des participants humains ont été effectuées conformément aux normes institutionnelles, nationales et Directives internationales pour le bien-être humain et ont été examinées par le conseil d’examen institutionnel local.

1. acquisition de données

1. Magnétoencéphalographie (MEG) et électroencéphalographie (EEG)
   NOTE :'acquisition des données MEG/EEG est réalisée sur la base de la méthode. Plus de détails sur l’utilisation clinique de la MEG dans l’épilepsie pédiatrique peuvent être trouvés ailleurs.
   1. Enregistrez les signaux MEG avec un système MEG complet.
      REMARQUE : Le système MEG utilise des capteurs à couche mince de deux types (gradiomètres planaires et magnétomètres) intégrés sur 102 éléments de capteur. Chaque élément contient un magnétomètre composé d’une seule bobine et de deux gradiomètres planaires orthogonaux constitués d’une configuration de bobine de type « forme huit ». Le magnétomètre mesure le flux magnétique perpendiculaire à sa surface, et les gradiomètres mesurent la différence entre les deux boucles du « huit », ou gradient spatial. Le système MEG dispose de 204 gradiomètres planaires et de 102 magnétomètres (306 capteurs au total). Les systèmes MEG de différents fournisseurs ont différents nombres et types de bobines (i.e., gradiomètres axiaux).
   2. Enregistrez simultanément des signaux EEG à l’aide d’un capuchon d’électrode non magnétique à 70 canaux avec des électrodes annulaires frittées Ag/AgCl et des électrodes supplémentaires en T1/T2. Utilisez un montage de référence courant.
   3. Fermez la porte de la salle à blindage magnétique (MSR). Communiquez avec le patient via un système d’interphone pour vérifier s’il se sent à l’aise. Demandez au parent de rester à l’intérieur du MSR pendant l’enregistrement si l’enfant se sent mal à l’aise de rester seul.
   4. Démarrez les enregistrements en cliquant sur le bouton « Aller » dans le logiciel d’acquisition MEG. Utilisez une fréquence d’échantillonnage élevée de 1 KHz (ou plus). Utilisez un filtre passe-bas à réponse impulsionnelle infinie (IIR) de 6e ordre à 400 Hz. Vérifiez tous les signaux enregistrés en ligne. Corrigez les canaux MEG défectueux à l’aide d’un tuner de capteur.
      REMARQUE : Les canaux MEG défectueux sont définis comme des capteurs (gradiomètres ou magnétomètres) qui ont un niveau de bruit blanc relativement élevé (supérieur à 2 à 5 fT/√Hz pour les magnétomètres) ou des capteurs qui enregistrent le bruit électromagnétique environnemental parasite. Cela se produit généralement lorsque les capteurs sont exposés à des champs magnétiques puissants (par rapport aux signaux mesurés), et que des parties spécifiques des bobines « piègent » le flux magnétique, détruisant ainsi la supraconductivité. Un tuner de capteur est ensuite utilisé pour chauffer la bobine en appliquant un courant électrique à travers celle-ci. Cette procédure s’appelle tuning et est utilisée lorsque le niveau de bruit blanc du capteur est supérieur à un seuil spécifique (i.e., 2 - 5 fT/√Hz). Certains systèmes MEG n’ont pas de tuners à capteur.
   5. Mesurez la position de la tête du patient en cliquant sur le bouton « Mesurer » dans le logiciel d’acquisition MEG. Si le réseau sensoriel ne couvre pas bien la tête du patient, demandez-lui de déplacer sa tête plus profondément dans le casque.
      NOTE : Cette manœuvre active les 4 bobines de l’indicateur de position de la tête (HPI) en appliquant des signaux électriques oscillatoires transitoires à travers elles, qui génèrent des champs magnétiques artificiels. Les capteurs MEG détectent ces champs et déterminent la position de la tête. La procédure peut différer d’un fournisseur de MEG
   à l’autre.
   6. Enregistrez les enregistrements MEG, EEG et périphériques en cliquant sur le bouton 'Enregistrer' dans le logiciel d’acquisition MEG (c’est-à-dire, électrocardiogramme ou ECG, électrooculogramme ou EOG, et électromyogramme ou EMG) pendant ~60 min.
      NOTE : Les données sont stockées sous forme de fichier .fif dans le RAID (Redundant Arrays of Independent Disks). Le type de fichier est différent pour les autres fournisseurs de MEG.
   7. À la fin de l’enregistrement, ouvrez le MSR, débranchez les câbles et sortez le patient de la salle MSR. Retirez délicatement tous les rubans, électrodes, bobines HPI et capuchon EEG. Lavez la tête du patient.
   8. Une fois l’acquisition terminée, enregistrez les signaux magnétiques du MSR vide sans le patient. Démarrez les enregistrements en cliquant sur le bouton « Go » dans le logiciel d’acquisition MEG. Enregistrez les données MEG pendant 2 min.
      NOTE : Ces données sont utilisées pour estimer le bruit électromagnétique environnemental.

2. identification de l’activité interictale

1. Ouvrez les données à l’aide de Brainstorm, qui est documenté et disponible gratuitement en téléchargement en ligne sous la licence publique générale GNU.
2. Sélectionnez des parties visuelles des données EEG avec une activité interictale survenant à au moins 2 h d’intervalle des crises cliniques.
   NOTE : Figure 1 présente une partie des données EEG et MEG avec des DEI fréquents.
   1. Identifiez empiriquement bien défini les décharges épileptiformes interictales (IEDs) dans les signaux EEG : cela inclut les pointes (20 - 70 ms) et les ondes aiguës (70 - 200 ms).
      REMARQUE : La signification clinique des deux types d’EEI dans la localisation des foyers épileptiques est équivalente.
   2. Essayez d’identifier (si possible) des parties des enregistrements avec : (i) des artefacts de mouvement minimes, (ii) plus de 3 à 4 DEI par affichage de 10 s, et (iii) un sommeil non paradoxal à ondes lentes qui présente généralement un nombre élevé d’oscillations à haute fréquence (HFO).
3. À l’aide de Brainstorm, affichez les données avec les paramètres d’affichage standard (10 s/page). Allez dans l’onglet Filtre et définissez les paramètres d’affichage du filtre suivants : filtre passe-haut : 1 Hz, filtre passe-bas : 80 Hz et filtre coupe-bande : 50 ou 60 Hz (selon la fréquence de la ligne électrique). Inspectez les données et identifiez des parties de celles-ci à l’aide d’EEI.
   NOTE : Seules les parties du signal avec des EEI seront balayées pour rechercher des HFO. Les filtres sélectionnés sont uniquement destinés à la visualisation. Ils n’ont pas été appliqués aux données. Pour appliquer de manière permanente ces filtres aux données, utilisez un filtre Butterworth passe-bande (4e ordre) en suivant les instructions sur le site Web de Brainstorm (http://neuroimage.usc.edu/brainstorm/).
4. Marquez le pic de chaque IED apparaissant à la fois dans les données EEG et MEG (voir les points rouges dans Figure 1).
   REMARQUE : Vous trouverez plus de détails sur le marquage des EEI à l’aide de Brainstorm ailleurs (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy).

3. Détection semi-automatique des HFOs dans les données EEG et MEG simultanées du cuir chevelu

REMARQUE : Ici, nous décrivons une méthode semi-automatisée pour détecter les HFOs, qui comprend une détection automatisée (Figure 2), suivi d’un examen visuel des HFO détectés automatiquement. Afin d’éviter les oscillations parasites de transitoires aigus comme de véritables ondulations et de s’assurer que les HFO ne sont pas dues à un phénomène de filtrage, nous avons suivi les dernières suggestions de la littérature pertinente : nous avons exigé que les HFO aient un nombre minimum de 4 oscillations puisqu’il a été observé que la réponse impulsionnelle du filtre a moins d’oscillations que le nombre de cycles choisi50, nous avons utilisé le filtre à réponse impulsionnelle finie (FIR) pour minimiser l’effet de résonance et le phénomène de « Gibbs"50, nous avons exigé que les événements HFO candidats soient également inspectés visuellement par un expert pour vérifier si les HFO étaient également visibles superposés sur les EEI, et nous avons exigé qu’un îlot isolé soit observé dans la plaine temps-fréquence car un événement brusque et une oscillation ont des signatures différentes : un HFO réel est représenté par un pic isolé dans le graphique temps-fréquence (restreint en fréquence, comme « île ») situé dans la bande de 80 à 500 Hz, tandis qu’un événement transitoire génère une goutte allongée, étendue en fréquence.

1. Détection HFO automatique
   REMARQUE : Figure 2 décrit l’organigramme de la détection automatique des HFO sur chaque signal EEG. L’objectif de la méthode développée est de réduire la charge de travail de l’expert EEG qui doit marquer les événements HFO sur chaque canal EEG à l’aide d’un affichage de 2 s/page recommandé pour l’inspection visuelle des HFO. Un HFO a été défini comme un événement dans la bande de fréquences d’ondulation (80 - 250 Hz), qui présente au moins 4 oscillations de morphologie sinusoïdale se détachant de l’arrière-plan environnant, et qui apparaît comme un événement de courte durée avec un pic spectral isolé à une fréquence élevée distincte.
   1. Détection des HFO candidats dans le domaine temporel
      1. Band-pass (BP) filtre les signaux EEG entre 80 et 250 Hz, limitant leur contenu en fréquence à la bande d’ondulation d’intérêt.
         NOTE : Il est recommandé d’utiliser un filtre FIR pour minimiser l’effet de résonance et le phénomène de « Gibbs », et un filtrage numérique à phase zéro pour éviter la distorsion de phase.
      2. Calculez l’enveloppe du signal BP à l’aide de la transformation de Hilbert. Calculez la moyenne et l’écart-type (ET) de l’enveloppe sur des fenêtres glissantes de 10 s centrées sur chaque point de la série chronologique. Estimez la moyenne globale et l’écart-type en utilisant la valeur médiane sur toutes les fenêtres (afin d’obtenir des valeurs robustes à la présence éventuelle de parties du signal avec de nombreux HFO et un écart-type élevé).
      3. Calculez le score z de l’enveloppe et notez un HFO candidat chaque fois qu’il dépasse le seuil minimum, qui est fixé à 3.
      4. Définissez les points de départ et d’arrivée de l’événement détecté comme les franchissements ascendants et descendants de la moitié du seuil. Considérons les HFO dont l’intervalle inter-événements est inférieur à 30 ms comme un seul HFO. Calculez le nombre de pics dans le signal BP entre les points de départ et d’arrivée HFO, et écartez les événements avec moins de 4 pics. Écartez également les événements dont le score z est supérieur à 12.
         NOTE : Modifiez votre seuil de score z maximum en fonction de l’amplitude des artefacts qui peuvent apparaître dans vos enregistrements. Les événements avec un faible nombre d’oscillations peuvent être causés par des effets de filtrage, tandis que les événements avec des amplitudes extrêmement élevées peuvent être dus à des artefacts musculaires ou d’électrodes.
   2. Rejetez les artefacts possibles dans le domaine temps-fréquence.
      REMARQUE : Cette étape est nécessaire pour distinguer les HFO réels des événements qui pourraient être provoqués par d’autres artefacts d’activité et de filtrage EEG, dont le contenu en fréquence n’est pas limité à la bande de fréquences d’intérêt. Il est basé sur l’hypothèse qu’un HFO réel apparaît comme un événement de courte durée avec un pic spectral isolé à une fréquence distincte supérieure à 80 Hz, contrairement à un événement transitoire qui génère une goutte allongée prolongée en fréquence. Figure 3 illustre un exemple d’un HFO détecté montrant le signal EEG filtré par BP (panneau supérieur), son enveloppe (panneau central) et le plan temps-fréquence correspondant (panneau inférieur), pendant la période de [-0.5, +0.5] s autour du pic HFO. L’affichage du plan temps-fréquence est limité de 80 à 150 Hz car aucune activité proéminente n’a été observée pour les fréquences supérieures à 150 Hz.
      1. Transformez tous les événements HFOs candidats dans l’espace temps-fréquence en utilisant la transformation de Morlet dans la gamme de fréquences de 1 Hz à la fréquence la plus élevée d’intérêt, c’est-à-dire, 250 Hz (fréquence centrale = 1 Hz, pleine largeur à mi-maximum = 3 s).
      2. Analysez les spectres de puissance instantanée de la représentation temps-fréquence sur chaque point temporel de la durée de l’événement. Pour chaque spectre de puissance, suivez les critères automatiques permettant de détecter le pic dans la bande des hautes fréquences et de vérifier s’il est clairement distinct du pic le plus proche dans la gamme de fréquences inférieures. Éliminez les HFO qui ne présentent pas un spectre de puissance avec un pic de haute fréquence isolé dans au moins 90 % des points de temps.
2. Triez tous les événements HFO détectés en fonction de leur occurrence temporelle sur les canaux. Regroupez tous les HFO consécutifs dont la durée se chevauche. Ne conservez que des groupes de HFO impliquant au moins deux canaux EEG pour une analyse plus approfondie.
   NOTE : L’algorithme demande que les HFO se produisent dans au moins 2 canaux pour éviter de capturer des artefacts aléatoires parasites, qui peuvent ressembler à de vrais HFO et se produire dans des dérivations EEG uniques. Deux mazouts lourds consécutifs sont considérés comme se chevauchants lorsque l’heure de début du deuxième mazout lourd précède l’heure de début du premier.
3. Examen visuel des événements HFO
   1. Alignez verticalement 2 écrans d’ordinateur ; un pour l’inspection de l’EEG et un pour l’inspection des signaux MEG. Affichez les événements détectés à la fois sur l’échelle développée (2 s/page) et sur l’échelle typique (10 s/page), en affichant respectivement les signaux filtrés BP 80 - 250 Hz et 1 - 40 Hz.
   2. Ignorez les événements co-occurrents avec des artefacts musculaires ou d’électrodes dans l’EEG et la MEG non filtrés, ainsi que les événements présentant une grande variabilité de fréquence, une morphologie irrégulière ou de grandes variations d’amplitude.
   3. Observez les signaux EOG et EMG lors de la détection des HFO et écartez tout événement qui correspondrait à l’EOG ou à l’activité musculaire. Ne considérez que les HFO qui chevauchent les EEG/MEG IED, car ils sont plus susceptibles d’être de véritables HFO.
      REMARQUE : Cette approche offre une spécificité élevée au prix d’une faible sensibilité ; ainsi, il donne confiance que les HFO identifiés sont d’origine corticale.
   4. Ne conservez que les événements HFO qui se produisent à la fois dans les signaux EEG et MEG.

4. Localisation de la source des DEI et HFOs

1. Localisez les générateurs au sommet des DEI MEG, en utilisant les dipôles de courant équivalents (ECD). Utilisez le logiciel Minimum Norm Estimates disponible gratuitement (http://martinos.org/mne/stable/index.html). Ne considérez que les pointes avec une qualité d’ajustement (GOF) > 80 % et un moment dipolaire Q<500 nA - m. Superposez l’emplacement de l’ECD sur l’IRM de chaque patient.
   REMARQUE : L’entropie maximale sur la moyenne (MEM) est une méthode alternative attrayante qui détermine l’emplacement et l’étendue des sources.
2. Localisation de la source HFO à la fois à l’EEG et à la MEG à l’aide de la méthode wMEM (ondelettes Maximum Entropy on the Mean).
   REMARQUE : Le MEM est une technique efficace qui a été utilisée avec succès pour déterminer l’emplacement et l’étendue des sources d’activité épileptique. Le wMEM est une extension de MEM qui a été développée pour localiser l’activité oscillatoire telle qu’évaluée à l’aide de simulations réalistes. Il décompose le signal sur la base d’ondelettes discrètes avant d’effectuer la localisation de la source MEM sur chaque boîte temps-fréquence. Ainsi, wMEM est particulièrement bien adapté à la localisation des HFO.
   1. Segmentez l’IRM et obtenez la surface corticale à l’aide de Freesurfer.
   2. Résolvez le problème de l’EEG/MEG à l’aide de la méthode des éléments de frontière (BEM) pour un modèle à 3 couches à l’aide d’OpenMEEG.
   3. Rééchantillonnez les signaux à 640 Hz afin de vous assurer que la deuxième échelle de la transformée en ondelettes discrètes correspond à la bande de fréquences d’intérêt.
   4. Estimez la matrice de covariance du bruit dans l’espace de données indépendamment pour chaque HFO, en fonction du bruit de fond dans la bande d’ondulation dans une fenêtre de 150 ms immédiatement avant chaque HFO. Effectuez la localisation de la source pour chaque HFO dans la bande d’ondulation et faites la moyenne le long de la durée HFO. NOTE : La carte résultante se compose d’une valeur d’activation corticale associée à chaque sommet de la tessellation corticale.
   5. Normalisez chaque carte afin d’avoir une valeur d’activation maximale égale à 1 pour chaque HFO.
   6. Calculez la moyenne des valeurs d’activation de tous les HFO à chaque sommet. Appliquez un seuil de 60 % de l’activation maximale afin d’afficher les cartes finales sur la surface corticale.

Résultats

Matériaux