대화형, 환자 전용 모델을 사용 하 여 깊은 두뇌 자극 치료를 위한 신경 섬유 책자를 대상으로

이 프로젝트의 전반적인 목표는 대화형 환자 맞춤형 모델링 파이프라인을 개발하고 거의 실시간으로 신경 섬유 경로에 대한 뇌 심부 자극의 효과를 자극하는 것입니다. 뇌심부 자극은 파킨슨병과 같은 운동 장애에 대해 FDA의 승인을 받고 10년 이상 사용된 치료 개입이며, 다른 광범위한 신경 및 정신 질환에 대해 조사되어 왔습니다. 뇌심부 자극의 컴퓨터 모델링은 매우 유용한 도구였으며, 개별 피험자에 대한 자극의 영향을 더 잘 이해하고 예측하기 위해 그 사용이 늘어났습니다.

컴퓨터 모델링의 지속적인 문제 중 하나는 컴퓨터 모델 실험을 구성하고 실행하는 데 걸리는 시간입니다. 이 프로토콜의 목적은 계산 모델링이 거의 실시간으로 훨씬 더 상호 작용적인 방식으로 수행될 수 있는 방법을 설명하는 것이며, 이는 몇 가지 혁신을 통해 달성됩니다. 가장 중요한 것은 개별 주제의 전체 머리를 상호 작용적으로 맞 쉴 수있는 능력입니다.

이 비디오의 프로토콜은 획득한 MRI 볼륨에서 환자별 유한 요소 모델을 구축한 다음 이식된 뇌 심부 자극 전극에 의해 유도되는 전기장을 시뮬레이션하는 방법을 설명합니다. 이러한 모델 생성의 주요 단계는 첫째, 환자의 뇌와 이식된 전극을 나타내는 유한 요소 모델을 구축하고, 둘째, 뇌의 생물물리학적 특성과 뇌심부 자극 장치의 자극 매개변수를 유한 요소 메쉬에 추가하고, 셋째, 모델의 전극에 의해 생성된 전압을 해결하는 것입니다. 이 프로젝트에서 모델링된 전극은 Medtronic 3387 DBS Lead입니다.

그러나 모든 전극 형상을 이 접근 방식과 함께 사용할 수 있습니다. 3387은 비전도성 재료로 분리된 4개의 접점이 있는 원통형 리드입니다. 이러한 각 구성요소에 대한 표면 표현은 메쉬 프로세스를 위해 작성됩니다.

닫힌 표면은 4개의 접점, 5개의 샤프트 세그먼트, 캡슐화 층 및 전극 주변의 메쉬 밀도를 제어하는 데 사용되는 2개의 주변 상자에 대해 생성됩니다. 원통형 형상을 보존하고 생체 전기장 문제를 정확하게 해결하기 위해 접점의 고밀도 표면 메쉬를 생성하는 것이 중요합니다. 전극에 의해 유도된 뇌를 통한 전압 분포는 유한 요소 모델링의 적용을 통해 선형 방정식 시스템으로 단순화되는 푸아송 방정식을 풀어 계산되며, Ax는 B와 같고, 여기서 A는 메쉬의 전도성과 형상을 나타내는 강성 매트릭스이고, x는 메쉬의 각 노드에서 전압 솔루션이고, B는 경계 조건 및 전류 소스에 따라 수정됩니다.

캡슐화 층, 샤프트 세그먼트 및 4개의 접점에는 화면의 표에 표시된 재료 속성에 따라 전도도 값이 할당되어야 합니다. 고정 경계 조건은 생체 전기장을 계산하는 데 사용됩니다. 점 표면은 4개의 DBS 접점 각각의 중앙에 배치되며, 단극 또는 양극 자극은 임의의 조합을 통해 적용될 수 있습니다.

외부 뇌 표면은 원거리 귀환 전극을 시뮬레이션하기 위해 0볼트로 설정됩니다. 이러한 조건은 유한 요소 모델의 알려진 전압을 나타냅니다. 우리는 4개의 접점 각각과 이식 가능한 펄스 발생기인 리턴 전극의 전압을 알고 있습니다.

선형 연립방정식(Lial System of Equations)은 일련의 경계 조건에 대한 모델의 전압 해를 계산하기 위해 켤레 기울기법(conjugate gradient method)을 사용하여 해결됩니다. SCIRun은 여러 종류의 과학적 문제를 모델링, 시뮬레이션 및 시각화하기 위한 고급 문제 해결 환경입니다. 시각적 프로그래밍 구문을 통해 사용자는 소프트웨어 모델을 함께 연결하여 과학 데이터를 처리하고 시각화할 수 있습니다.

이 프로토콜의 경우 SCIRun을 사용하여 뇌와 뇌심부 자극 리드의 유한 요소 메쉬를 생성하고 대화형 환경에서 생체 전기장 문제를 해결합니다. SCIRun의 주요 측면 중 하나는 파이프라인의 모든 지점에서 데이터를 대화식으로 시각화할 수 있는 기능이며, 이를 시연할 것입니다. 유한 요소 모델을 구축하는 첫 번째 단계는 뇌의 구조적 해부학적 구조를 결정하는 것입니다.

이 단계를 수행하기 위해 우리는 인간 뇌의 MRI 볼륨을 처리하고 분석하기 위한 오픈 소스 소프트웨어 제품군인 FreeSurfer를 사용하기로 결정했습니다. 먼저 환자 T1 MRI는 다음 명령을 사용하여 DICOM 스택으로 FreeSurfer에 전달됩니다. 다음으로, 다음 명령을 사용하여 자동화된 처리 및 세분화를 시작합니다.

FreeSurfer는 두개골이 제거된 뇌 조직의 새로운 이미지 볼륨을 생성합니다. 이 새로운 볼륨에서 Intensity thresholding 및 isosurfacing을 수행하여 뇌의 표면 표현을 얻은 다음 유한 요소 모델의 외부 경계를 정의하는 데 사용됩니다. FreeSurfer 파이프라인은 또한 백질, 회백질, 피질하 핵 및 심실을 분할합니다.

각 뇌 영역에는 고유한 정수 레이블이 할당됩니다. 다음 전처리 단계는 확산 가중 상상 데이터에서 확산 텐서를 추정하고 이 부피를 TI MRI와 공동 정합하는 것입니다. DWI는 뇌 조직을 통해 여러 방향으로 물의 확산도를 측정하는 것입니다.

이 단계에서는 의료 이미지 처리 및 이미징 데이터의 3D 시각화를 위한 무료 오픈 소스 소프트웨어 플랫폼인 3DSlicer를 사용하기로 결정했습니다. 먼저 Slicer의 DWI 변환기 모듈을 사용하여 DICOM 시리즈를 단일 DWI 볼륨으로 변환합니다. 텐서 재구성에서 배경과 노이즈를 제거하려면 diffusion weighted volume masking 모듈로 마스크를 만듭니다.

이렇게 하면 텐서가 뇌 조직 내에서만 계산될 수 있습니다. 다음 단계는 DWI에서 DTI로의 추정 모듈을 사용하여 확산 텐서를 생성하는 것입니다. 텐서 추정 알고리즘을 최소 제곱으로 설정하고 Shift Negative Eigenvalues를 선택합니다.

이렇게 하면 노이즈 또는 획득 오류와 관련된 음의 고유값이 있는 텐서가 제거됩니다. 전극 모델의 3D 표면 형상은 이 비디오에서 시연되지 않는 3D 모델링 소프트웨어를 사용하여 구축할 수 있습니다. 여기에서 우리는 각 전극 접점, 샤프트 세그먼트, 캡슐화 층 및 메쉬 밀도를 제어하는 데 사용되는 두 개의 주변 상자에 대해 닫힌 표면 메쉬를 만들었습니다.

1부에서 만든 뇌 표면과 전극 기하학을 결합하여 메싱 도구인 TetGen을 사용하여 전극이 이식된 뇌의 유한 요소 모델을 만듭니다. 뇌 표면과 전극 기하학을 InterfaceWithTetGen 모듈로 파이프합니다. 화면의 표에 표시된 것처럼 모델의 각 영역에서 사면체 요소 생성에 체적 구속조건을 적용합니다.

이 기술은 전기장 구배가 높은 전극 조직 계면 주위에 더 높은 메쉬 밀도를 가진 적응형 크기의 메쉬를 생성합니다. 그 결과 뇌 조직에 내장된 전극 모델의 사면체 유한 요소 메쉬가 생성됩니다. SCIRun을 사용하면 뷰어 창에서 기하학적 변환 모듈과 대화형 위젯을 사용하여 개체를 이동할 수 있습니다.

전극 형상의 각도를 변경하려면 TransformMesh 모듈과 결합된 CreateGeometricTransform 모듈을 사용합니다. X 회전 축을 1로 설정하고 세타의 회전 각도를 설정하여 각도를 제어합니다. GenerateSinglePointProbe 모듈을 ViewScene에 직접 연결하여 구 위젯을 생성하고 다른 TransformMesh 모듈에 연결하여 전극 팁 위치를 제어합니다.

뷰 장면에서 Shift 위젯을 클릭하고 드래그하여 전극 팁의 위치를 이동합니다. 이러한 변환은 TetGen에 전달되기 전에 전극 형상에 적용되므로 업데이트된 전극 위치와 방향이 유한 요소 모델에 구축됩니다. 다음 단계는 유한 요소 모델에 전도도 값을 할당하는 것입니다.

3DSlicer에서 처리된 DTI 데이터를 로드하고 전극 모델과 뇌 조직의 전도도 값을 이전 섹션에서 만든 사면체 메시에 설정합니다. 메시에 전도도 값을 적용한 후 필드를 BuildFEMatrix로 파이프합니다. 이것은 생체 전기장 계산을 위한 방정식 시스템을 만드는 첫 번째 단계입니다.

전압 제어 자극을 위해 이제 유한 요소 메쉬에 알려진 전압 경계 조건을 설정합니다. 메시의 외부 경계로 사용되는 뇌 표면을 0볼트로 설정하여 원거리 귀환 전극을 시뮬레이션합니다. 그런 다음 InsertVoltageSource를 사용하여 메시에 이 경계 조건을 적용합니다.

모노폴라 자극의 경우, 하단 접점의 중앙에 있는 점에 전압 값을 할당합니다. 다시 InsertVoltageSource를 사용하여 메시에 이 경계 조건을 적용합니다. BuildFEMatrix 및 InsertVoltageSource의 출력을 SolveLinearSystem에 결합합니다.

켤레 그래디언트 해결 방법을 사용하고 모듈을 실행하여 전압 솔루션을 계산합니다. SetFieldData 모듈을 사용하여 연립방정식에 대한 해를 유한 요소 메시의 노드에 다시 배치합니다. 전압 솔루션은 메쉬의 노드에서 직접 볼 수 있지만 뇌 조직을 통한 분포에 대한 의미 있는 표현을 제공하지는 않습니다.

더 나은 시각화는 지도의 등고선과 유사한 등전압 표면을 만드는 것이며, 이는 전기장의 방향과 강도에 대한 정보도 제공합니다. 유한 요소 메시 전압 해를 ExtractSimpleIsosurface에 전달하고 수량을 10으로 설정합니다. 이렇게 하면 접점 주위에 균일한 간격의 10개의 등전압 표면이 생성됩니다.

이 기술을 사용하면 모델에 이방성 전도도 텐서를 추가하는 효과와 이 매개변수가 뇌 조직 전체의 전압 분포에 어떤 영향을 미치는지 시각화할 수 있습니다. 유한 요소 구성, 생체 전기장 계산 및 결과를 하나의 환경으로 시각화하면 전극 위치 및 자극 진폭과 같은 매개변수 변화가 생체 전기장이 주변 조직과 상호 작용하는 방식에 미치는 영향에 대한 거의 실시간 피드백을 얻을 수 있습니다. 전극 위치가 수정되고 생체 전기장이 다시 계산된 후 용액은 대상 섬유 다발에 매핑됩니다.

활성화 함수는 주어진 자극 진폭에 대한 광섬유 다발 활성화를 예측하기 위해 계산됩니다. 우리는 모든 접촉과 다중 자극 진폭에 걸쳐 광섬유 다발 활성화 예측을 수집하고 주어진 전극 위치에 대해 대상 섬유를 활성화하는 데 가장 효과적인 자극 구성을 신속하게 결정합니다. 그런 다음 DBS 수술의 계획 단계에서 여러 전극 위치에 대한 이러한 활성화 프로파일을 비교하여 표적 섬유 경로를 효과적으로 자극할 전극 궤적을 정의합니다.

여기서 우리는 위치 2가 타겟 파이버 다발의 더 강력한 활성화를 예측하고 위치 1에 비해 모든 접점에서 더 낮은 자극 진폭을 갖는다는 것을 알 수 있습니다. 이 방법은 훨씬 더 복잡한 시나리오를 모델링하는 데 사용할 수 있습니다. 이 시스템의 새로운 기능은 모델에서 전극 형상을 빠르게 전환할 수 있는 기능과 서로 근접한 여러 리드를 시뮬레이션할 수 있는 기능입니다.

여기에서 우리는 감각 핵과 같은 주변 영역을 피하면서 외상성 뇌 손상 환자의 잠재적 표적으로 각성 조절과 관련된 중앙 시상 섬유 경로를 자극하기 위한 선도 위치를 조사하고 있습니다. 정적 전극 위치의 경우, 광섬유 활성화 위치를 보다 집중적으로 제어하고 다른 광섬유 다발의 자극을 피하기 위해 방향성 전극 모델로 변경하는 효과를 시뮬레이션했습니다. 전극 주변의 단면적을 살펴보면, 방향성 전극이 우리가 피하고자 하는 섬유로의 활성화 확산을 최소화하면서 표적 섬유를 효과적으로 자극할 수 있음을 알 수 있습니다.

이 접근법은 또한 근처의 내부 캡슐을 피하면서 파킨슨병의 증상을 치료하기 위한 시상하 핵 표적화에도 유용할 것입니다. 여기에서 우리는 3개의 독립적인 DBS 리드의 배치를 시뮬레이션하고 인간이 아닌 영장류 실험에서 수술 계획을 위한 유사한 중앙 시상 섬유 경로의 활성화를 예측합니다. 여러 전극을 사용하는 이점은 더 넓은 영역에 걸쳐 자극을 제어할 수 있다는 것입니다.

방향성 전극과 다중 리드는 모두 전극 자극 매개변수를 결정하는 어려움을 증가시킵니다. 그러나 이 비디오에 설명된 접근 방식을 활용하면 복잡한 매개변수 공간을 더 빠르고 안내에 따라 탐색하여 치료 자극 설정을 식별할 수 있습니다. 오늘 보여드린 환자 영상부터 대화형 모델까지의 단계를 간략하게 설명하는 환자별 모델링 파이프라인은 엔지니어와 임상의의 격차를 줄이는 데 도움이 될 것입니다.

여러 전극의 삽입을 포함하여 4개 이상의 접점을 가진 새로운 DBS 장치의 개발은 이미 어려운 문제에 더 많은 복잡성을 가중시킵니다. 자극 구성에서 다양한 전극 설계의 효과를 빠르게 시각화할 수 있는 기능은 이러한 장치가 뇌에서 어떻게 작동하는지 더 잘 이해하는 데 귀중한 피드백을 제공할 수 있습니다.