Methodenartikel

Richtend neuronale Fiber traktaten voor diepe brein stimulatie therapie met behulp van interactieve, patiënt-specifieke modellen

11.4K weergaven

⸱

DOI:

10.3791/57292

⸱

12 augustus 2018

 , 
1Scientific Computing and Imaging (SCI) Institute, Department of Biomedical Engineering, University of Utah

In dit artikel

Samenvatting

Het doel van dit project is het ontwikkelen van een interactieve, patiënt-specifieke modeling pijpleiding om te simuleren van de effecten van diepe hersenstimulatie bij in de buurt van real-time en betekenisvolle feedback geven over de vraag hoe deze apparaten neurale activiteit in de hersenen beïnvloeden.

Samenvatting

Diepe hersenstimulatie (DBS), waarbij de invoeging van een elektrode te leveren stimulatie aan een gelokaliseerde hersenen-regio, is een gevestigde therapie voor bewegingsstoornissen en wordt toegepast op een groeiend aantal aandoeningen. Computationele modellering is met succes gebruikt voor het voorspellen van de klinische effecten van DBS; Er is echter behoefte aan een roman modelleertechnieken gelijke tred houden met de toenemende complexiteit van DBS apparaten. Deze modellen moeten ook voor het genereren van voorspellingen, snel en accuraat. Het doel van dit project is het ontwikkelen van een image processing pijpleiding te nemen structurele magnetische resonantie beeldvorming (MRI) en diffusie gewogen beeldvorming (DWI) in een interactieve, patiënt specifieke model om de effecten van DBS te simuleren. Een virtuele DBS voorsprong kan worden geplaatst binnen de patiënt model, samen met actieve contacten en stimulatie instellingen, waar veranderingen in lood positie of richting genereren van een nieuwe eindige elementen mesh en de oplossing van het probleem van de bioelectric gebied in in de buurt van real-time, een TimeSpan voor ongeveer 10 seconden. Dit systeem maakt het ook mogelijk de simulatie voor meerdere leads dicht bij toestaan voor de huidige besturing door verschillende anoden en kathoden op verschillende leidt. De technieken die in dit document gepresenteerd vermindering van de lasten van het genereren en met behulp van rekenmodellen terwijl het verstrekken van zinvolle feedback over de effecten van de positie van de elektrode, elektrode ontwerp en stimulatie configuraties te clinici en onderzoekers die mogelijk niet modellering deskundigen.

Inleiding

Diepe hersenstimulatie (DBS) is een gevestigde therapie voor Bewegingsstoornissen zoals essentiële tremor1 en2van de ziekte van Parkinson. Deze therapie is ook onderzocht als mogelijke behandeling voor een groeiend aantal aandoeningen waaronder traumatische hersenen letsel3, Tourette's syndroom4en depressie5. DBS systemen vereisen chirurgische implantatie van een elektrode leiden tot het leveren van stimulatie in de regio van een gelokaliseerde hersenen te moduleren lopende neurale activiteit6. De locatie van de elektroden en de parameters van de stimulatie beide hebben een effect op modulerende neuronale circuits die therapeutische voordeel bieden. Kleine variaties op locatie kunnen invloed hebben op het therapeutisch venster, eventueel verhogen de kans op nadelige bijwerkingen voordat therapeutische voordeel bereikt7,8,9 is. In de praktijk is het vaak moeilijk om te voorspellen dat de stimulatie van de effecten zal hebben op de neurale activiteit; Bijgevolg is dit venster van therapeutisch nut hebben geïdentificeerd op basis van de patiënt-door-patiënt als de stimulatie apparaat is geprogrammeerd door de behandelaar8,9. Dit proces is complexer naarmate er nieuwe generaties van DBS apparaten beschikbaar komen. Bijvoorbeeld, nieuwe lood ontwerpen worden ingevoerd met meer contacten10,-11,12, en in sommige gevallen zijn meerdere leads wordt geïmplanteerd in de nabijheid van elkaar13. Vandaar, is er een behoefte om te kunnen voorspellen van de effecten van DBS over een grote en groeiende parameter ruimte te verkennen.

Computationele modellering en analyse kunnen worden gebruikt voor het voorspellen van de fysiologische en klinische effecten van DBS op basis van de patiënt-specifieke. Deze modellen gebruiken eindige elementen modellering (FEM) te bouwen drie dimensionale representaties van het hersenweefsel en de biofysische kenmerken van de geïmplanteerde elektrode. FEM bioelectric gebied modellen zijn met succes gebruikt voor het voorspellen van de effecten van DBS14, maar tot op heden zijn deze tijdrovende en rekenkundig dure te genereren. Er is behoefte aan een roman modelleertechnieken gelijke tred houden met de toenemende complexiteit van DBS apparaten. Deze patiënt-specifieke modellen dienen in de buurt van real-time visuele feedback over de gevolgen van DBS als de locatie van de voorsprong of stimulatie parameters worden gewijzigd. De gebruiker zou krijgen feedback over de locatie van een voorsprong en stimulatie instelling in een paar seconden, waardoor bleef verfijning van lood plaatsing in de loop van enkele minuten. Patiënt-specificiteit wordt bereikt door de integratie van de anatomie van de patiënt, van hun hersenen vorm en grootte, bij het bouwen van de FEM en het toepassen van de biofysische eigenschappen van hun hersenen, zoals anisotrope weefsel geleidbaarheid. Anisotropische geleidbaarheid beschrijft hoe stroom wordt verspreid via verschillende hersengebieden en niet-gebeurt voor het hele brein soortgelijk aan een typische magnetische resonantie beeldvorming (MRI) kan worden gemeten.

DBS modelleren benaderingen die geen van patiënt-specifieke informatie gebruikmaken kan verstrekken snel, maar minder nauwkeurige voorspellingen van stimulatie effecten, als gevolg van gegeneraliseerde geometrieën en geleidendheid voor hersenweefsel. In deze benadering, een enkele FEM wordt gebruikt voor alle patiënten en de voorspelde neurale activiteit vooraf kan worden berekend. Patiënt-specifieke modellen niet kunnen worden veralgemeend en vooraf berekend omdat een nieuwe FEM is gebouwd voor elk individu. Deze modellen vereisen meer inspanning te bouwen kan echter nauwkeuriger. Verschillende factoren beperken de snelheid waarmee deze modellen kunnen worden gebouwd en gebruikt: 1) het wijzigen van parameters aan het begin van de model gebouw pijpleiding, zoals elektrode positie, is vereist handgedreven bijwerken alle latere stappen; en 2) de stappen in de modellering pijpleiding niet gemakkelijk worden geïntegreerd met elkaar, waarbij het doorgeven van gegevens tussen meerdere softwarepakketten. Vaak willen we evalueren van veel verschillende situaties zoals elektrode positie, stimulatie parameters of elektrode ontwerpen. Om betekenisvolle feedback geven over het effect dat deze wijzigingen hebben op het therapeutische effect dat de patiënt ontvangt, moeten deze resultaten zowel nauwkeurig als gegenereerde snel.

Ons doel is het presenteren van nieuwe technieken voor gebouw patiënt-specifieke modellen die van de snelheid profiteren in veralgemeende modellen verkregen en het automatiseren van veel van de pijpleiding stappen voor het maken van een interactieve modelleeromgeving waarmee in de buurt van real-time visual feedback over de effecten van DBS. Een interactieve simulatie kan een gebruiker voor het testen van voorspellingen en verkrijgen van de resultaten snel zonder zich te concentreren op de details voor modelbouw. Dit is nuttig als er een grote parameter ruimte om te verkennen en hoe beïnvloeden deze parameters de simulatie zijn onzeker. Beschrijven we de stappen in de verwerking pijpleiding voor het genereren van interactieve, patiënt-specifieke FEM modellen van magnetische resonantie beeldvorming (MRI) overnames. Met behulp van de tools en technieken die worden beschreven in dit document zal verlagen van de kosten van de tijd voor het maken van modellen van FEM bioelectric gebied en bieden een manier om deze modellen toegankelijk maken voor onderzoekers en clinici die deskundigen niet modelleert.

Dit protocol beschrijft hoe het bouwen van een model van de patiënt-specifieke eindige elementen van verworven MRI volumes, en dan simuleren het elektrisch veld veroorzaakt door een DBS-elektrode. De belangrijkste stappen in het maken van deze modellen zijn: 1) bouwen van een eindige elementen-model (FEM), die de hersenen van de patiënt en de geïmplanteerde elektrode, 2) biofysische eigenschappen van de parameters van het brein en stimulatie van de DBS-apparaat toevoegen aan de FEM en 3) voor oplossen de spanning die wordt gegenereerd door de elektrode in het model. Twee beeldvormende modaliteiten zijn nodig om een patiënt specifieke model voor DBS simulatie te bouwen. Een T1-MRI wordt gebruikt voor het construeren van segmentaties van het oppervlak van de hersenen ventrikels, en specifieke kernen. Diffusie gewogen beeldvorming (DWI), een hoeveelheid water richtgetal, is gebruikt om te schatten diffusie tensoren in de hersenen weefsel15. De diffusie-tensoren worden omgezet in geleidbaarheid tensoren die de inhomogene, anisotrope biofysische eigenschappen van het weefsel op een voxel kwantificeren door voxel basis16. De distributie van de spanning in de hersenen veroorzaakt door de elektrode wordt berekend door de Poisson vergelijking, die door de toepassing van FEM om een lineair systeem van vergelijkingen vereenvoudigt op te lossen Ax = b waar A is een matrix van de stijfheid die Hiermee geeft u de geleidbaarheid en geometrie van de Maas, x is de oplossing van de spanning in elk knooppunt in de Maas, en b wordt gewijzigd op basis van randvoorwaarden en huidige bronnen.

Protocol

1. de beeldverwerking

  1. T1 MRI segmentatie
    1. Download en installeer FreeSurfer17. Het wordt aangenomen dat een T1-MRI heeft verkregen en DICOM- of NIFTI-indeling.
    2. Typ het volgende commando om een patiënt map maken en toevoegen van hun T1 volume in FreeSurfer: recon-all - s Patiëntnaam -i /Full/Path/To/nii
    3. Typ de volgende opdracht uit te voeren FreeSurfer van geautomatiseerde segmentatie: recon-all - s Patiëntnaam-alle
    4. Gebruik mri_convert om te zetten van "aseg.auto.mgz" uit FreeSurfer van merkgebonden .mgz formaat.
  2. Diffusie gewogen beeldvorming (DWI)
    1. Download en installeer Slicer18. Het wordt aangenomen dat een DWI verwerving heeft verricht, en beschikbaar als een stapel van DICOM-bestanden is.
      Opmerking: Een goede Command-line tool voor het uitvoeren van deze reconstructie is de FMRIB Software bibliotheek (FSL)19. FSL in dit protocol werd gebruikt voor het uitvoeren van echo-vlakke, beweging, en de huidige Vertekeningscorrectie eddy voorafgaand aan wederopbouw. De DWI gebruikte gegevens in deze analyse is een serie van DICOM-bestanden voor 41 verschillende diffusie sensibiliserend richting van de kleurovergang.
    2. Gebruik de DWIConverter module in Slicer om te reconstrueren de 41 aparte acquisities in één volume. Geef de Input Dicom Data Directory waar de DWI gegevens zich bevindt. Selecteer het keuzerondje DicomToNrrd en geeft de naam van het uitvoervolume van DWI.
    3. Een Tensor masker maken met de module Diffusion gewogen Volume maskeren te elimineren achtergrondgeluiden uit de DTI schatting. Laat de drempel-parameter op de standaardwaarde van 0,5.
    4. Deze één volume DWI omzetten in een volume Diffusion Tensor (DTI) met de DWI aan DTI schatting met behulp van het masker gemaakt in de vorige stap als de Diffusion Tensor masker. De schatting parameters ingesteld op kleinste kwadraten en zorg ervoor dat de optie Shift negatieve eigenwaarden is ingeschakeld.
    5. Het zojuist gemaakte DTI volume in NRRD-indeling opslaan.

2. eindige elementen Model generatie

  1. SCIRun
    1. Download en installeer SCIRun versie 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun is een probleemoplossende omgeving voor modellering, simulatie en visualisatie van wetenschappelijke problemen. Deze is de computationele workbench gebruikt te maken, lossen en interactie met het model ontwikkeld in dit project.
      Opmerking: SCIRun netwerken worden gebouwd door het aansluiten van sequenties van individuele modules die specifieke taken uitvoeren. Doorgeven van gegevens via een netwerk gemaakt van eenvoudige modules zorgt voor meer complexe verwerking en simulatie.
  2. Gebouw van de elektrode geometrie
    Opmerking: De elektrode gemodelleerd in dit project is een Medtronic 3387 DBS lood20. Het is een cilindrische voorsprong met vier contactpersonen 1,5 mm in hoogte, 1,27 mm in diameter en regelafstand 1,5 mm uit elkaar. Niet-geleidend materiaal scheidt de vier contacten.
    1. Maak een gesloten oppervlak mesh voor elk onderdeel in de leiding van de DBS overeenkomen met de vermelde afmetingen. De gehele lead maken met behulp van twee primitieve geometrieën, cilinders en bollen.
      Opmerking: De meetkunde van de lead kan worden gemaakt in een verscheidenheid van 3D modeling programma's.
    2. Maak een oppervlakte maaswijdte van een inkapseling laag 0.5 mm dik rondom de hele leiding.
  3. Maken de Whole Brain-Maas
    1. Laden van het oppervlak van de hersenen gemaakt in deel 1 om te dienen als de buitenste rand van de FEM.
    2. Maak twee concentrische vak oppervlakken rond de DBS tot controle van de dichtheid van het gaas rondom de elektrode.
      Opmerking: De DBS leiden en vak oppervlak moet worden uitgelijnd langs de positieve z-as met het topje van de bodem van de schacht van de elektrode ligt aan de oorsprong. Dit is belangrijk voor de latere rotatie en vertaling van de elektrode.
    3. Maak een puntenwolk met één aanspreekpunt gelegen in elke afzonderlijke regio van de Maas. De regio's van de Maas zijn: de schacht-segmenten, de vier contacten, het vak en de hersenen oppervlak. De waarden die zijn gekoppeld aan deze punten vertegenwoordigen het maximumvolume beperkingen voor elk tetrahedral element in het net voor die regio. Deze beperkingen worden automatisch aangepast mesh dichtheid in en rond de elektrode bepalen.
    4. De "InterfaceWithTetGen"-module gebruiken om te maken de hele hersenen Maas. De ingangspoorten als volgt instellen:
      Poort 1: hersenen oppervlak (van 1.1)
      Poort 2: regionale kenmerk puntenwolk, volume beperkingen (vanaf 2.3.3)
      Poort 3: geen
      Poort 4: elektrode model oppervlakken (van 2.2)
  4. Interactieve elektrode plaatsing
    Opmerking: Het doel van deze stap is om te schakelen van gemakkelijke beweging van de elektrode overal binnenkant van de hersenen en het systeem automatisch bijgewerkt met een nieuwe Maas en simulatie.
    1. Gebruik twee trapsgewijze CreateGeometricTransform modules om te draaien van de elektrode in de X- en Y-vlak. Klik op draaien en eerste module op 1.00 gezet op As Y en de tweede op 1.00 gezet op As X. De rotatiehoek is ingesteld met de onderste schuifregelaar, Draaien Theta (graden).
    2. Sluit de module van een TransformMeshWithTransform voor elke transformatie en het object dat moet worden omgezet.
    3. Maak een GenerateSinglePointProbeFromField -module en de geometrie-poort verbinden met de ViewScene module. Het gebied rond bewegen in het ViewScene -venster door de shift-toets ingedrukt te houden en links te klikken. De punt sonde module bijgewerkt van de bol locatie na vrijlating.
      Opmerking: Deze locatie is gebruikt om te bepalen van de vertaling transformatie toegepast op de geometrie van de elektrode.
    4. Een TransformMeshWithTransform -module gebruiken om te vertalen van elk onderdeel van de geometrie van de elektrode met de locatie van de sonde punt.
    5. Toepassing van de twee rotatie transformaties en de vertaling van de punt sonde widget naar elk object behalve de hersenen oppervlak.
      Opmerking: Alle drie van deze transformaties moeten worden uitgevoerd op elk object voordat het wordt doorgesluisd in de InterfaceWithTetGen module zodat de ingrijpingspositie algoritme kan het gaas van de geometrie van de elektrode binnenkant van de hersenen op de nieuwe locatie en oriëntatie. Telkens wanneer die de elektrode wordt verplaatst binnen de hersenen zal een nieuwe Maas worden gebouwd.

3. bioelectric gebied berekening

  1. Geleidbaarheid-Parameters instellen
    1. Laad het DTI volume in stap 1 hebt gemaakt en de gegevens op de tetrahedral mesh output van InterfaceWithTetGen gemaakt in stap 2 MapFieldDataFromSourceToDestination met de linear('weighted')-optie instellen.
      Opmerking: Elke anisotrope geleidbaarheid schatting kan worden geïmplementeerd in deze stap.
    2. Stel de schacht regio geleidbaarheid op 1e-6 en de contact regio 1e6 met behulp van CalculateFieldData. Zodra alle van de waarden van de geleidendheid zijn ingesteld, pijp van het veld in BuildFEMatrix.
  2. Vaststelling van de stroom/spanning bronnen en randvoorwaarden
    1. Pijp de hersenen oppervlak gebruikt in het ingrijpende proces van stap 2 in SetFieldDataToConstantValue en stel de waarde in op 0. Hierdoor ontstaat een gootsteen van de spanning op het oppervlak van de gehele hersenen. Gebruik vervolgens InsertVoltageSource om de spanningswaarden op de tetrahedral mesh output van InterfaceWithTetGen.
    2. Voor monopolaire stimulatie, maken een aanspreekpunt in het centrum van een van de contact locaties door berekening van de waarde van de FieldCenter van de ReportFieldInfo module op een van de contactvlakken. Stel het veldgegevens op dit punt tot-1 volt. Gebruik vervolgens InsertVoltageSource om de puntbronnen in de tetrahedral Maas.
      Opmerking: Er zijn nu twee exemplaren van de tetrahedral Maas. Een met spanningswaarden instellen op de hersenen oppervlak en een met een puntbron binnen een contactpersoon.
    3. Word lid van de output van de twee InsertVoltageSource -modules en pijp van de output in ApplyFEMVoltageSource samen met de uitvoer van BuildFEMatrix.
  3. Het volgende probleem op te lossen
    Opmerking: De uitvoer van ApplyFEMVoltageSource geeft de stijfheid matrix op poort 1 en de rechterkant matrix op poort 2. Dit zijn de twee onderdelen die nodig zijn om op te lossen van het stelsel van vergelijkingen.
    1. Pijp de twee uitgangen van ApplyFEMVoltageSource in SolveLinearSystem. Selecteer de geconjugeerde Gradient methode en Jacobi als de preconditioneerder op te lossen. De output van deze module is de oplossing matrix, de waarde van de spanning op elk knooppunt in de tetrahedral Maas.
    2. Gebruik SetFieldData om de spanning oplossing matrix op de tetrahedral gaas voor een 3D-weergave van de verdeling van de spanning.
  4. Isosurface visualisatie
    1. Pijp het resultaat van SetFieldData in ExtractSimpleIsosurface. Open de UI naar de hoeveelheid tab en stel het aantal gelijkmatig isowaarden tot en met 10.
    2. Gebruik een showterrein module en sluit deze aan op de module van de ViewScene de Isosurfaces berichtsymbool transparant met een regenboog kleurkaart geschaald naar de min en max van de spanning-oplossing.

Resultaten

Aan het einde van dit protocol al de nodige ingangen om een patiënt-specifieke model te maken worden verstrekt: de hersenen oppervlak, elektrode geometrie en geleidbaarheid tensoren. Een SCIRun netwerk moet ook zijn gemaakt die integreert alle van de ingangen om te bouwen van een model van eindige elementen en simuleren van de geïnduceerde bioelectric gebied. Het simulatiemodel zorgt voor beweging van de elektrode in de hersenen en wijziging van parameters zoals actieve contactpersonen of stimulatie amplitude.

Figuur 1 toont de mogelijkheid om te simuleren en vezel activering voorspellingen van meerdere elektrode posities met elkaar vergelijken. Generatie van vezel traktaten uit de diffusie-afbeeldingen niet in dit protocol is aangetoond, maar deze analyse kan worden uitgevoerd met een deterministische tractography methode. Positie 2 voorspelt een robuustere activering van de vezelbundel doel bij lagere stimulatie amplitudes over alle contacten in vergelijking met positie 1. Deze analyse wordt gebruikt tijdens de planningsfasen van DBS-operatie te bepalen van het elektrode-traject die effectief het doel vezel traject zal stimuleren.

Een nieuwe functie van dit systeem is de capaciteit om snel te schakelen de geometrie van de elektrode in het model en de capaciteit te simuleren meerdere leads dicht bij elkaar. Beide van deze benaderingen worden gebruikt om meer controle over de vorm en de sturing van het elektrisch veld rond de elektrode. Figuur 2 illustreert de vergelijking van vezel activering voorspellingen tussen een Axiaalsymmetrische en een directionele dat DBS leiden terwijl het onderzoeken van lood locaties ter stimulering van de trajecten van de centrale thalamus vezel en het vermijden van nabijgelegen gebieden zoals de sensorische kernen . Voor het zelfde traject van de elektrode, kunnen we zien dat de directionele leiding vermag vezel activering te sturen naar de doel-regio terwijl het vermijden van de stimulatie van ongewenste vezels. Deze analyse kan worden gebruikt om te bepalen wanneer het zou nodig zijn om het apparaat dat de patiënt voor DBS-therapie ontvangen zou om te voorkomen dat stimulatie van nabijgelegen regio's, die leiden ongewenste bijwerkingen tot zou. Deze benadering is handig voor het targeten van de subthalamicus kern voor de behandeling van de symptomen van de ziekte van Parkinson, terwijl het vermijden van de nabijgelegen interne capsule.

figure-results-1
Figuur 1 : Vergelijking van de elektrode positie en voorspellingen van doel vezel activering. Voorspelling van totale vezel bundel activering voor stimulatie amplitudes (-0,5 V te-5.0 V) en alle vier contacten voor twee verschillende elektrode posities. Klik hier voor een grotere versie van dit cijfer.

figure-results-2
Figuur 2 : Vergelijking van centrale thalamus vezel bundel activering voorspellingen met Axiaalsymmetrische en directionele DBS leidt. (A) visualisatie van zowel de Medtronic 3387 cilindrische DBS leiden en de Sapiens directionele DBS leiden bij het activeren van de functie berekeningen op de doelgroep centraal thalamus vezelbundel voor een enkele monopolaire stimulatie amplitude. (B) (i) een transversale segment door de DBS lood en glasvezel bundels. (ii) een twee-dimensionale projectie van de oppervlakte van de dwarsdoorsnede met de identificatie van de DBS leiden, de doelstelling van de vezels en vezels te voorkomen. (C) de verspreiding van de activering in zowel doel vezels en vezels van vermijden als stimulatie amplitude voor zowel de Axiaalsymmetrische als de directionele verhoogt DBS leiden. Geactiveerde vezels voor een bepaalde stimulatie amplitude worden rood weergegeven, terwijl de vezels niet geactiveerd worden in blauw weergegeven. (D) een compilatie van alle simulaties weergegeven in het deelvenster C, tonen de voorspelde stimulatie drempel amplitude in alle regio's van de vezelbundels. Klik hier voor een grotere versie van dit cijfer.

Discussie

Dit protocol heeft bewezen technieken ter vermindering van de lasten van de tijd en computationele kosten van het bouwen van patiënt specifieke modellen voor DBS in een mate die staat in de buurt van real-time feedback over de simulatieresultaten. Snelle feedback kunt de verkenning van de ruimte van een grote parameter om beter te begrijpen hoe de parameter wijzigt de modelresultaten. Deze parameters omvatten lood locatie, keuze van actieve contacten, en de amplitude pulsbreedte en frequentie van de golfvorm van de stimulatie op deze contacten. De belangrijkste kenmerken van de voorgestelde tool zijn: 1) A eenvoudige user interface voor het aanpassen van de parameters van het model met in de buurt van real-time visualisatie van hoe deze parameters invloed op de simulatie, en 2) de automatisering van model creatie van een klein aantal ingangen: de oppervlakte van de hersenen, hersenen weefsel geleidbaarheid tensoren en een oppervlakte weergave van de elektrode geometrie. Deze automatisering versnelt de creatie van patiënt-specifieke modellen voor veel personen hebben andere hersenen geometrieën en weefsel geleidbaarheid, alsmede evaluatie van de effecten van verschillende elektrode ontwerpen invoegen in bestaande modellen. De afbeelding voorbewerkend stappen beschreven in dit protocol werden niet volledig geautomatiseerd en een dag van verwerkingstijd kunnen duren. Echter, zodra de gegevens die zijn gegenereerd op basis van deze stappen voltooid worden als statisch beschouwd, wat betekent dat deze gegevens worden niet gewijzigd tijdens de simulaties. De automatisering van de model schepping vloeit voort uit de mogelijkheid van het systeem toe te passen deze gegevens op de patiënt-specifieke FEM zonder handmatige inspanning. Het SCIRun netwerk uitvoeren van model generatie, simulatie en visualisatie stappen moet slechts eenmaal worden gebouwd. Daarom moeten alleen de afbeelding voorbewerkend stappen worden opnieuw uitgevoerd voor het genereren van een patiënt-specifieke model voor een binnenkomende patiënt.

De prestaties winst bij het genereren van resultaten van de pijpleiding van de modellering is als gevolg van de integratie van mesh generatie, bioelectric gebied berekeningen en visualisatie van de oplossing in een enkele software-omgeving. Bestaande modelleertechnieken mesh zoals adaptieve mesh generatie werden gebruikt voor het maken van hogere dichtheid rond de elektrode en lagere dichtheid verder van de elektrode waardoor de tijd om te bouwen en op te lossen van de FEM. De software, SCIRun, kunnen ook automatisering van de mesh generatie en bioelectric gebied berekeningen. Gebruiker gedefinieerde beweging van de elektrode met behulp van de interactieve widgets activeert de bouw van een nieuwe Maas met de bijgewerkte elektrode-positie. Dit omvat het wijzigen van de randvoorwaarden en geleidbaarheid waarden voor de nieuwe positie van de elektrode.

De geometrie van de elektrode wordt behandeld als een object gratis voortbewegende binnenkant van de hersenvolume voordat haar standpunt is geïntegreerd in de FEM. Een belangrijke implicatie van deze benadering voor gaas bouw is dat meerdere elektroden gemakkelijk kunnen worden ingevoegd in het model. Bijvoorbeeld, een tweede exemplaar van de elektrode geometrie enkele millimeters weg kan worden geplaatst en beide zullen worden opgenomen in de FEM. In recent onderzoek, hebben de twee elektroden dicht bij de behandeling van multiple sclerose tremor13 en in niet-menselijke primaten experimenten zijn gebruikt om te verkennen van effectieve stimulatie doelstellingen21is ingeplant. Het voordeel van het gebruik van meerdere elektroden is om betere controle van het elektrisch veld gegenereerd in het weefsel over een groter gebied. Stimuleren met actieve contactpersonen op beide elektroden kunt huidige sturen naar de doel-regio en weg van gebieden die tot negatieve bijwerkingen leiden zou. Fijnere controle van stimulatie over een groter gebied is ook handig om te verkennen verschillende stimulatie locaties als de exacte locatie van het beoogde doel onbekend, is zoals het geval is met veel van de opkomende therapie toepassingen voor DBS. Bepaling van de parameters om therapeutische stimulatie echter meer uitdaging dan een enkele elektrode als gevolg van de toename van de ruimte van een reeds grote parameter.

Wij voorzien dat deze interactieve modellering tool voordeel tijdens de pre-operatieve planning voor DBS implantatie kan bieden. Feedback over de omvang van stimulatie in het hersenweefsel kunnen chirurgen om de locatie van de elektrode wijzigen in hun chirurgische plan om therapeutische stimulatie naar de doel-regio. Terwijl DBS-therapie de belangrijkste motiverende factor was voor de ontwikkeling van dit instrument, kunnen de technieken gepresenteerd in dit document worden toegepast op ieder FEM bioelectric gebied model met verschillende stimulatie of opname paradigma's. Stimulatie therapieën zoals Transcraniële gelijkstroom stimulatie voor depressie22 of het gebruik van diepte-elektroden voor de behandeling van epilepsie23 delen dezelfde uitdagingen als DBS in het bepalen van de beste locatie van stimulatie te bereiken therapeutische resultaten. Electrocorticography, een opname-techniek met arrays van de elektroden op het oppervlak van de hersenen vast te stellen inbeslagname begin regio's, heeft de uitdaging om te bepalen waar u de elektroden te registreren van doelregio's in de hersenen-24. Al deze toepassingen zijn afhankelijk van de positie van de elektrode terwijl omgaan met de onzekerheid van hoe de huidige in het hersenweefsel stroomt. De technieken die in dit document gepresenteerd vermindering van de lasten van het genereren en met behulp van rekenmodellen tijdens het geven van betekenisvolle feedback onderzoekers en clinici die met behulp van deze apparaten die niet modellering deskundigen.

Openbaarmakingen

Christopher R. Butson, Ph.D. heeft gediend als consultant voor NeuroPace, Advanced Bionics Boston Scientific, Intelect Medical, St. Jude Medical en functionele neuromodulatie.

Dankbetuigingen

Dit project werd ondersteund door het nationale Instituut van gezondheid subsidies UH3, NS095554. Technische ondersteuning werd verstrekt door het Center for Integrative biomedische Computing in het Scientific Computing and Imaging Instituut en mede door software die is ontwikkeld uit de P41-GM103545, van de NIH Center van integratieve biomedische Computing mogelijk werd gemaakt.

Dankbaarheid is uitgebreid tot Lexie vloer en Nathan Galli in het Scientific Computing and Imaging Instituut voor productie en bewerking van de indiening video, en ook aan Theresa Lins voor hulp bij de voorbereiding van de manuscript.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
FreeSurferAthinoula A. Martinos Center for Biomedical Imaginghttps://surfer.nmr.mgh.harvard.edu/
3D SlicerBWH, Harvard Universityhttps://www.slicer.org/
SCIRun University of Utah Center for Integrative Biomedical Computinghttp://www.sci.utah.edu/cibc-software/scirun.html

Referenties

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

Herprints en machtigingen

Trefwoorden

Pati ntspecifieke ModelleringEindige ElementenmodelDiffusiegewogen BeeldvormingStructurele MRIBio elektrische VeldberekeningInteractief MeshingElektrodepositioneringVezelbundelactivatieComputationele Modellering
Richtend neuronale Fiber traktaten voor diepe brein stimulatie therapie met behulp van interactieve, patiënt-specifieke modellen
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.