Artykuł metodologiczny

Celowanie w szlaki włókien nerwowych w celu terapii głębokiej stymulacji mózgu przy użyciu interaktywnych, specyficznych dla pacjenta modeli

11.4K wyświetleń

⸱

DOI:

10.3791/57292

⸱

12 sierpnia 2018

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

W tym artykule

Podsumowanie

Celem tego projektu jest opracowanie interaktywnego, specyficznego dla pacjenta procesu modelowania, aby symulować efekty głębokiej stymulacji mózgu w czasie zbliżonym do rzeczywistego i dostarczyć istotnych informacji zwrotnych na temat tego, jak te urządzenia wpływają na aktywność neuronalną w mózgu.

Streszczenie

Głęboka stymulacja mózgu (DBS), która polega na wprowadzeniu elektrody w celu dostarczenia stymulacji do zlokalizowanego obszaru mózgu, jest uznaną terapią zaburzeń ruchowych i jest stosowana w coraz większej liczbie zaburzeń. Modelowanie obliczeniowe zostało z powodzeniem wykorzystane do przewidywania skutków klinicznych DBS; jednak istnieje zapotrzebowanie na nowatorskie techniki modelowania, aby nadążyć za rosnącą złożonością urządzeń DBS. Modele te muszą również szybko i dokładnie generować prognozy. Celem tego projektu jest opracowanie procesu przetwarzania obrazu w celu włączenia obrazowania strukturalnego rezonansu magnetycznego (MRI) i obrazowania zależnego dyfuzją (DWI) do interaktywnego, specyficznego dla pacjenta modelu symulującego efekty DBS. Wirtualny przewód DBS można umieścić w modelu pacjenta, wraz z aktywnymi kontaktami i ustawieniami stymulacji, w których zmiany pozycji lub orientacji przewodu generują nową siatkę elementów skończonych i rozwiązanie problemu pola bioelektrycznego w czasie zbliżonym do rzeczywistego, w przedziale czasowym wynoszącym około 10 sekund. System ten umożliwia również symulację wielu przewodów w bliskiej odległości, aby umożliwić sterowanie prądem za pomocą różnych anod i katod na różnych przewodach. Techniki przedstawione w tym artykule zmniejszają obciążenie związane z generowaniem i wykorzystywaniem modeli obliczeniowych, zapewniając jednocześnie znaczące informacje zwrotne na temat wpływu położenia elektrody, konstrukcji elektrod i konfiguracji stymulacji dla badaczy lub klinicystów, którzy mogą nie być ekspertami w dziedzinie modelowania.

Wprowadzenie

Głęboka stymulacja mózgu (DBS) jest uznaną metodą leczenia zaburzeń ruchowych, takich jak drżenie samoistne1 i choroba Parkinsona2. Terapia ta jest również badana jako potencjalna metoda leczenia rosnącej liczby zaburzeń, w tym urazowego uszkodzenia mózgu3, zespołu Tourette'a4 i depresji5. Systemy DBS wymagają chirurgicznego wszczepienia elektrody w celu dostarczenia stymulacji w zlokalizowanym obszarze mózgu w celu modulowania trwającej aktywności neuronalnej6. Zarówno lokalizacja elektrod, jak i parametry stymulacji mają wpływ na modulację obwodów neuronalnych, które zapewniają korzyści terapeutyczne. Niewielkie różnice w lokalizacji mogą wpływać na okno terapeutyczne, co może zwiększyć prawdopodobieństwo wystąpienia działań niepożądanych przed osiągnięciem korzyści terapeutycznych7,8,9. W praktyce często trudno jest przewidzieć wpływ, jaki stymulacja będzie miała na aktywność neuronalną; W związku z tym to okno korzyści terapeutycznych jest identyfikowane indywidualnie dla każdego pacjenta, ponieważ urządzenie stymulujące jest programowane przez lekarza8,9. Proces ten staje się coraz bardziej złożony w miarę pojawiania się nowych generacji urządzeń DBS. Na przykład, nowe projekty leadów są wprowadzane z większą liczbą kontaktów10,11,12, a w niektórych przypadkach wiele przewodów jest wszczepianych w bliskiej odległości od siebie13. W związku z tym istnieje potrzeba badania i przewidywania skutków DBS w dużej i rosnącej przestrzeni parametrów.

Modelowanie i analiza obliczeniowa mogą być używane do przewidywania fizjologicznych i klinicznych skutków DBS w zależności od pacjenta. Modele te wykorzystują modelowanie metodą elementów skończonych (MES) do budowy trójwymiarowych reprezentacji tkanki mózgowej i cech biofizycznych wszczepionej elektrody. Modele pola bioelektrycznego MES były z powodzeniem wykorzystywane do przewidywania efektów DBS14, ale do tej pory były one czasochłonne i kosztowne obliczeniowo. Istnieje zapotrzebowanie na nowatorskie techniki modelowania, aby nadążyć za rosnącą złożonością urządzeń DBS. Te specyficzne dla pacjenta modele powinny zapewniać wizualną informację zwrotną w czasie zbliżonym do rzeczywistego na temat skutków DBS w miarę zmiany lokalizacji odprowadzania lub parametrów stymulacji. Użytkownik w ciągu kilku sekund uzyskałby informację zwrotną na temat lokalizacji leada i ustawienia stymulacji, co umożliwiłoby ciągłe doskonalenie umieszczania leadów w ciągu kilku minut. Specyficzność pacjenta uzyskuje się poprzez uwzględnienie anatomii pacjenta, kształtu i wielkości jego mózgu podczas budowy MES i zastosowania biofizycznych właściwości mózgu, takich jak anizotropowe przewodnictwo tkankowe. Przewodność anizotropowa opisuje, w jaki sposób prąd będzie rozprzestrzeniał się w różnych obszarach mózgu i może być nieinwazyjnie mierzony dla całego mózgu, podobnie jak typowy obraz rezonansu magnetycznego (MRI).

Metody modelowania DBS, które nie wykorzystują informacji specyficznych dla pacjenta, mogą dostarczyć szybkich, ale mniej dokładnych prognoz efektów stymulacji, ze względu na uogólnione geometrie i wartości przewodnictwa dla tkanki mózgowej. W tym podejściu stosuje się pojedynczy MES dla wszystkich pacjentów, a przewidywaną aktywność neuronalną można obliczyć z wyprzedzeniem. Modele specyficzne dla pacjenta nie mogą być uogólnione i wstępnie obliczone, ponieważ dla każdej osoby tworzony jest nowy MES. Zbudowanie tych modeli wymaga więcej wysiłku, ale może być dokładniejsze. Kilka czynników ogranicza szybkość, z jaką te modele mogą być budowane i używane: 1) Modyfikacja parametrów na początku procesu budowy modelu, takich jak położenie elektrody, wymaga ręcznego wysiłku w celu zaktualizowania wszystkich kolejnych kroków; oraz 2) Etapy procesu modelowania nie są łatwo ze sobą zintegrowane, co wymaga przekazywania danych między wieloma pakietami oprogramowania. Często chcemy ocenić wiele różnych sytuacji, takich jak położenie elektrod, parametry stymulacji lub konstrukcje elektrod. Aby zapewnić znaczącą informację zwrotną na temat wpływu tych zmian na efekt terapeutyczny, jaki otrzyma pacjent, wyniki te powinny być zarówno dokładne, jak i szybko wygenerowane.

Naszym celem jest przedstawienie nowych technik budowania modeli specyficznych dla pacjenta, które wykorzystują szybkość uzyskaną w modelach uogólnionych i automatyzują wiele kroków lejka, aby stworzyć interaktywne środowisko modelowania, które dostarcza wizualne informacje zwrotne w czasie zbliżonym do rzeczywistego na temat efektów DBS. Interaktywna symulacja pozwala użytkownikowi testować przewidywania i szybko uzyskiwać wyniki bez skupiania się na szczegółach budowy modelu. Jest to korzystne, gdy istnieje duża przestrzeń parametrów do zbadania, a sposób, w jaki te parametry wpływają na symulację, jest niepewny. Opiszemy etapy procesu przetwarzania w celu wygenerowania interaktywnych, specyficznych dla pacjenta modeli MES na podstawie akwizycji obrazowania metodą rezonansu magnetycznego (MRI). Wykorzystanie narzędzi i technik opisanych w tym artykule zmniejszy koszt tworzenia modeli pola bioelektrycznego MES i zapewni sposób na udostępnienie tych modeli badaczom i klinicystom, którzy nie są ekspertami w dziedzinie modelowania.

Ten protokół opisuje, jak zbudować specyficzny dla pacjenta model elementów skończonych na podstawie uzyskanych objętości MRI, a następnie symulować pole elektryczne indukowane przez elektrodę DBS. Głównymi etapami tworzenia tych modeli są: 1) zbudowanie modelu elementów skończonych (MES) reprezentującego mózg pacjenta i wszczepioną elektrodę, 2) dodanie do MES właściwości biofizycznych mózgu i parametrów stymulacji urządzenia DBS oraz 3) rozwiązanie napięcia generowanego przez elektrodę w modelu. Do zbudowania specyficznego dla pacjenta modelu symulacji DBS potrzebne są dwie metody obrazowania. Rezonans magnetyczny T1 służy do konstruowania segmentacji powierzchni mózgu, komór i określonych jąder. Obrazowanie zależne dyfuzją (DWI), miara dyfuzyjności wody, służy do szacowania tensorów dyfuzji w tkance mózgowej15. Tensory dyfuzji są przekształcane w tensory przewodności, które określają ilościowo niejednorodne, anizotropowe właściwości biofizyczne tkanki na podstawie woksela po wokselu16. Rozkład napięcia w mózgu indukowany przez elektrodę oblicza się poprzez rozwiązanie równania Poissona, które poprzez zastosowanie MES upraszcza się do liniowego układu równań Ax = b, gdzie A jest macierzą sztywności, która reprezentuje przewodność i geometrię siatki, x jest rozwiązaniem napięciowym w każdym węźle siatki, a b jest modyfikowany w oparciu o warunki brzegowe i źródła prądu.

Protokół

1. Przetwarzanie obrazu

  1. Segmentacja rezonansu magnetycznego T1
    1. Pobierz i zainstaluj FreeSurfer17. Zakłada się, że uzyskano rezonans magnetyczny T1 i jest on w formacie DICOM lub NIFTI.
    2. Wpisz następujące polecenie, aby utworzyć katalog pacjentów i dodać ich wolumin T1 w FreeSurfer: recon-all -s nazwa_pacjenta -i /Full/Path/To/nii
    3. Wpisz następujące polecenie, aby uruchomić automatyczną segmentację FreeSurfer: recon-all -s nazwa_pacjenta -all
    4. Użyj mri_convert, aby przekonwertować "aseg.auto.mgz" z zastrzeżonego formatu .mgz FreeSurfer.
  2. Obrazowanie dyfuzyjne ważone (DWI)
    1. Pobierz i zainstaluj Slicer18. Zakłada się, że akwizycja DWI została przeprowadzona i jest dostępna jako stos plików DICOM.
      UWAGA: Dobrym narzędziem wiersza poleceń do wykonania tej rekonstrukcji jest FMRIB Software Library (FSL)19. FSL został użyty w tym protokole do wykonania korekcji zniekształceń echo-płaskich, ruchowych i prądów wirowych przed rekonstrukcją. Dane DWI użyte w tej analizie to seria plików DICOM dla 41 różnych kierunków gradientu uwrażliwiających na dyfuzję.
    2. Użyj modułu DWIConverter w narzędziu Slicer, aby zrekonstruować 41 oddzielnych nabytków w jednym woluminie. Określ katalog danych wejściowych Dicom, w którym znajdują się dane DWI. Zaznacz przycisk radiowy DicomToNrrd i podaj nazwę wyjściowego woluminu DWI.
    3. Utwórz maskę tensorową za pomocą modułu Dyfuzja ważona maskowaniem objętości, aby wyeliminować szum tła z oszacowania DTI. Pozostaw parametr threshold na wartość domyślną 0,5.
    4. Przekonwertuj ten pojedynczy wolumin DWI na wolumin tensora dyfuzji (DTI) za pomocą oszacowania DWI do DTI, używając maski utworzonej w poprzednim kroku jako maska tensora dyfuzji. Ustaw parametry estymacji na Najmniejsze kwadraty i upewnij się, że opcja Przesuń ujemne wartości własne jest zaznaczona.
    5. Zapisz nowo utworzony wolumin DTI w formacie NRRD.

2. Generowanie modelu elementów skończonych

  1. SCIRun
    1. Pobierz i zainstaluj SCIRun w wersji 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun to środowisko rozwiązywania problemów do modelowania, symulacji i wizualizacji problemów naukowych. Jest to obliczeniowe środowisko pracy używane do tworzenia, rozwiązywania i interakcji z modelem opracowanym w tym projekcie.
      UWAGA: Sieci SCIRun są budowane poprzez łączenie sekwencji poszczególnych modułów, które wykonują określone zadania. Przekazywanie danych przez sieć złożoną z prostych modułów pozwala na bardziej złożone przetwarzanie i symulację.
  2. Budowa geometrii elektrody
    UWAGA: Elektroda modelowana w tym projekcie to Medtronic 3387 DBS lead20. Jest to cylindryczny przewód z czterema stykami o wysokości 1,5 mm, średnicy 1,27 mm i odstępach 1,5 mm od siebie. Materiał nieprzewodzący oddziela cztery styki.
    1. Utwórz siatkę o zamkniętej powierzchni dla każdego komponentu w wyprowadzeniu DBS pasującą do podanych wymiarów. Utwórz cały potencjalny klient, używając dwóch geometrii pierwotnych, cylindrów i sfer.
      UWAGA: Geometrię wiodącego można tworzyć w różnych programach do modelowania 3D.
    2. Utwórz siatkę powierzchniową z warstwy enkapsulacyjnej o grubości 0,5 mm otaczającej cały wyprowadzenie.
  3. Tworzenie całej siatki mózgu
    1. Załaduj powierzchnię mózgu utworzoną w części 1, aby służyła jako zewnętrzna granica MES.
    2. Utwórz dwie koncentryczne powierzchnie pudełkowe otaczające przewód DBS, aby kontrolować gęstość siatki wokół elektrody.
      UWAGA: Powierzchnia przewodu DBS i skrzynki powinny być wyrównane wzdłuż dodatniej osi z dolną końcówką wału elektrody znajdującą się w początku. Jest to ważne dla późniejszej rotacji i translacji elektrody.
    3. Utwórz chmurę punktów z pojedynczym punktem znajdującym się w każdym odrębnym regionie siatki. Obszary siatki to: segmenty trzonu, cztery kontakty, pudełko i powierzchnia mózgu. Wartości dołączone do tych punktów reprezentują maksymalne ograniczenia objętości dla każdego elementu czworościennego w siatce dla tego regionu. Ograniczenia te są dostosowywane w celu kontrolowania gęstości siatki w elektrodzie i wokół niej.
    4. Użyj modułu "InterfaceWithTetGen", aby stworzyć całą siatkę mózgu. Ustaw porty wejściowe w następujący sposób:
      Port 1: powierzchnia mózgu (od 1.1)
      Port 2: chmura punktów atrybutu regionalnego, ograniczenia objętości (od 2.3.3)
      Port 3: none
      Port 4: powierzchnie modelu elektrody (od 2.2)
  4. Interaktywne umieszczanie elektrod
    UWAGA: Celem tego kroku jest umożliwienie łatwego przemieszczania elektrody w dowolne miejsce w mózgu i automatyczna aktualizacja systemu o nową siatkę i symulację.
    1. Użyj dwóch kaskadowych modułów CreateGeometricTransform, aby obrócić elektrodę w płaszczyźnie X i Y. Kliknij Obróć i ustaw pierwszy moduł na 1.00 na osi Y, a drugi na 1.00 na osi X. Kąt obrotu ustawia się za pomocą dolnego suwaka, Obróć Theta (stopnie).
    2. Połącz moduł TransformMeshWithTransform dla każdego przekształcenia i obiektu, który musi zostać przekształcony.
    3. Utwórz moduł GenerateSinglePointProbeFromField i połącz jego port geometrii z modułem ViewScene. Przesuń sferę w oknie ViewScene, przytrzymując Shift i klikając lewym przyciskiem myszy. Moduł sondy punktowej aktualizuje położenie kuli po zwolnieniu.
      UWAGA: To położenie służy do określenia transformacji translacyjnej zastosowanej do geometrii elektrody.
    4. Użyj modułu TransformMeshWithTransform, aby przetłumaczyć każdą część geometrii elektrody z lokalizacją sondy punktowej.
    5. Zastosuj dwie transformacje obrotu i translację z widżetu sondy punktowej do każdego obiektu z wyjątkiem powierzchni mózgu.
      UWAGA: Wszystkie trzy z tych transformacji powinny być wykonane na każdym obiekcie, zanim zostanie on przesłany do modułu InterfaceWithTetGen, aby algorytm tworzenia siatki wiedział, jak zasiać geometrię elektrody wewnątrz mózgu w nowym miejscu i orientacji. Za każdym razem, gdy elektroda zostanie przesunięta w mózgu, zostanie zbudowana nowa siatka.

3. Obliczanie pola bioelektrycznego

  1. Ustawianie parametrów przewodności
    1. Załaduj wolumin DTI utworzony w kroku 1 i ustaw dane na wyjściu siatki czworościennej z InterfaceWithTetGen utworzonego w kroku 2 przy użyciu MapFieldDataFromSourceToDestination z opcją linear('weighted').
      UWAGA: Na tym etapie można zaimplementować dowolne oszacowanie przewodności anizotropowej.
    2. Ustaw przewodność obszaru wału na 1e-6, a obszar kontaktu na 1e6 za pomocą CalculateFieldData. Po ustawieniu wszystkich wartości przewodności przelej pole do BuildFEMatrix.
  2. Ustawianie źródeł prądu/napięcia i warunków brzegowych
    1. Przelej powierzchnię mózgu używaną w procesie tworzenia siatki z kroku 2 do SetFieldDataToConstantValue i ustaw wartość na 0. Spowoduje to pochłanianie napięcia na całej powierzchni mózgu. Następnie użyj polecenia InsertVoltageSource, aby umieścić wartości napięcia na wyjściu siatki czworościennej z InterfaceWithTetGen.
    2. W przypadku stymulacji monopolarnej należy utworzyć pojedynczy punkt w środku jednej z lokalizacji kontaktu, obliczając wartość FieldCenter z modułu ReportFieldInfo na jednej z powierzchni kontaktowych. Ustaw dane pola w tym punkcie na -1 wolt. Następnie użyj InsertVoltageSource, aby umieścić źródło punktowe w siatce czworościennej.
      UWAGA: Istnieją teraz dwie kopie siatki czworościennej. Jeden z wartościami napięcia ustawionymi na powierzchni mózgu, a drugi ze źródłem punktowym wewnątrz kontaktu.
    3. Połącz dane wyjściowe dwóch modułów InsertVoltageSource i przelej dane wyjściowe do ApplyFEMVoltageSource wraz z danymi wyjściowymi BuildFEMatrix.
  3. Rozwiązywanie problemu z przechodzeniem do przodu
    UWAGA: Dane wyjściowe ApplyFEMVoltageSource zawierają macierz sztywności na porcie 1 i macierz po prawej stronie na porcie 2. Są to dwa składniki potrzebne do rozwiązania układu równań.
    1. Przelej dwa wyjścia ApplyFEMVoltageSource do SolveLinearSystem. Wybierz metodę rozwiązywania gradientu sprzężonego i Jacobiego jako kondycjoner wstępny. Wyjściem tego modułu jest macierz rozwiązań, wartość napięcia w każdym węźle w siatce czworościennej.
    2. Użyj SetFieldData, aby umieścić macierz rozwiązania napięcia na siatce czworościennej w celu uzyskania reprezentacji 3D rozkładu napięcia.
  4. Wizualizacja Isosurface
    1. Potok wyniku SetFieldData do ExtractSimpleIsosurface. Otwórz interfejs użytkownika na karcie Ilość i ustaw liczbę równomiernie rozmieszczonych wartości ISO na 10.
    2. Użyj modułu ShowField i połącz go z modułem ViewScene, aby wyświetlić Isosurfaces jako przezroczyste z mapą kolorów tęczy przeskalowaną do min i max rozwiązania napięcia.

Wyniki

Na koniec niniejszego protokołu dostarczone zostaną wszystkie niezbędne dane wejściowe do stworzenia modelu specyficznego dla pacjenta: powierzchnia mózgu, geometria elektrod oraz tensory przewodnictwa. Powinna zostać również stworzona sieć SCIRun, która integruje wszystkie dane wejściowe w celu zbudowania modelu elementów kończonych i symulacji indukowanego pola bioelektrycznego. Model symulacyjny umożliwia przemieszczanie elektrody w obrębie mózgu oraz modyfikację parametrów, takich jak aktywne kontakty lub amplituda stymulacji.

Rycina 1 przedstawia możliwość symulacji i porównywania przewidywań aktywacji włókien dla wielu pozycji elektrod. Generowanie traktów włókien z obrazowania dyfuzyjnego nie zostało przedstawione w niniejszym protokole, jednak analiza ta może być przeprowadzona przy użyciu dowolnej deterministycznej metody traktografii. Pozycja 2 przewiduje silniejszą aktywację docelowego wiązki włókien przy niższych amplitudach stymulacji we wszystkich kontaktach w porównaniu z pozycją 1. Analiza ta jest wykorzystywana na etapie planowania operacji DBS w celu wyznaczenia trajektorii elektrody, która skutecznie zastymuluje docelową drogę włókien.

Nową cechą tego systemu jest możliwość szybkiej zmiany geometrii elektrody w modelu oraz możliwość symulowania wielu elektrod w bliskim sąsiedztwie. Obie te metody są stosowane w celu uzyskania większej kontroli nad kształtem i kierunkiem pola elektrycznego wokół elektrody. Rysunek 2 przedstawia porównanie przewidywań aktywacji włókien pomiędzy osiowo-symetryczną a kierunkową elektrodą DBS podczas badania lokalizacji elektrod w celu stymulacji przebiegów włókien wzgórza środkowego i unikania obszarów sąsiednich, takich jak jądra czuciowe. Przy tej samej trajektorii elektrody widać, że elektroda kierunkowa pozwala na skierowanie aktywacji włókien w stronę obszaru docelowego, unikając jednoczesnej stymulacji niepożądanych włókien. Analiza ta może być wykorzystana do ustalenia, kiedy konieczna byłaby zmiana urządzenia wszczepianego pacjentowi w ramach terapii DBS, aby uniknąć stymulacji obszarów sąsiednich, która wywoływałaby niepożądane skutki uboczne. Podejście to jest przydatne przy celowaniu w jądro podwzgórzowe w celu leczenia objawów choroby Parkinsona, przy jednoczesnym unikaniu pobliskiej torebki wewnętrznej.

Wykres aktywacji włókien nerwowych w funkcji amplitudy stymulacji; pozycje elektrod; badania z zakresu neuronauki.
Rysunek 1Porównanie położenia elektrod i przewidywań aktywacji włókien docelowych. Przewidywanie całkowitej aktywacji wiązki włókien dla amplitud stymulacji (od -0,5 V do -5,0 V) i wszystkich czterech kontaktów dla dwóch różnych pozycji elektrody. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

Schemat porównawczy aktywacji elektrod do głębokiej stymulacji mózgu z aktywacją włókien przy różnych napięciach.
Rycina 2Porównanie przewidywań aktywacji pęczków włókien brzuszno-przyśrodzeniowych wzgórza dla osiowo-symetrycznych oraz kierunkowych elektrod DBS. (A) Wizualizacja cylindrycznej elektrody DBS Medtronic 3387 oraz kierunkowej elektrody DBS Sapiens wraz z obliczeniami funkcji aktywacji w docelowym pęczku włókien wzgórza środkowego dla pojedynczej amplitudy stymulacji monopolarnej. (B)(i) Przekrój poprzeczny elektrody DBS i pęczków włókien. (ii) Dwuwymiarowa projekcja pola przekroju poprzecznego z identyfikacją elektrody DBS, włókien docelowych oraz włókien, których należy unikać. (C) Rozprzestrzenianie się aktywacji w obrębie zarówno włókien docelowych, jak i włókien unikowych wraz ze wzrostem amplitudy stymulacji dla osiowo-symetrycznej oraz kierunkowej elektrody DBS. Włókna aktywowane przy danej amplitudzie stymulacji zaznaczono na czerwono, natomiast włókna nieaktywowane – na niebiesko. (D) Kompilacja wszystkich symulacji przedstawionych w panelu C, ukazująca przewidywaną amplitudę progu stymulacji we wszystkich obszarach pęczków włókien. Prosimy o kliknięcie tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dyskusja

W protokole tym zademonstrowano techniki mające na celu zmniejszenie obciążenia czasowego i kosztów obliczeniowych związanych z tworzeniem modeli specyficznych dla pacjenta dla DBS w stopniu, który umożliwia uzyskanie informacji zwrotnej o wynikach symulacji w czasie zbliżonym do rzeczywistego. Szybkie sprzężenie zwrotne umożliwia eksplorację dużej przestrzeni parametrów w celu lepszego zrozumienia, w jaki sposób zmiany parametrów wpływają na wyniki modelu. Parametry te obejmują lokalizację przewodu, wybór aktywnych styków oraz amplitudę, szerokość impulsu i częstotliwość kształtu fali stymulacji na tych stykach. Kluczowe cechy proponowanego narzędzia to: 1) prosty interfejs użytkownika do dostosowywania parametrów modelu z wizualizacją w czasie zbliżonym do rzeczywistego, w jaki sposób te parametry wpływają na symulację, oraz 2) automatyzacja tworzenia modelu na podstawie niewielkiego zestawu danych wejściowych: powierzchni mózgu, tensorów przewodnictwa tkanki mózgowej i powierzchniowej reprezentacji geometrii elektrody. Ta automatyzacja przyspiesza tworzenie modeli specyficznych dla pacjenta dla wielu osób, które mają różną geometrię mózgu i przewodnictwo tkanek, a także ocenę skutków wprowadzenia różnych wzorów elektrod do istniejących modeli. Etapy wstępnego przetwarzania obrazu opisane w tym protokole nie były w pełni zautomatyzowane i mogą trwać do jednego dnia. Jednak po zakończeniu dane wygenerowane na tych etapach są uważane za statyczne, co oznacza, że dane te nie są modyfikowane podczas symulacji. Automatyzacja tworzenia modeli wynika ze zdolności systemu do zastosowania tych danych do MES specyficznego dla pacjenta bez wysiłku ręcznego. Sieć SCIRun do wykonywania wszystkich kroków generowania modelu, symulacji i wizualizacji musi być zbudowana tylko raz. W związku z tym należy ponownie wykonać tylko etapy wstępnego przetwarzania obrazu, aby wygenerować model specyficzny dla pacjenta przychodzącego.

Wzrost wydajności generowania wyników z potoku modelowania wynika z integracji generowania siatki, obliczeń pola bioelektrycznego i wizualizacji rozwiązania w jednym środowisku oprogramowania. Istniejące techniki modelowania, takie jak adaptacyjne generowanie siatki, zostały wykorzystane do uzyskania większej gęstości siatki wokół elektrody i mniejszej gęstości dalej od elektrody, co skraca czas budowy i rozwiązania MES. Oprogramowanie SCIRun umożliwia również automatyzację generowania siatek i obliczeń pola bioelektrycznego. Zdefiniowany przez użytkownika ruch elektrody za pomocą interaktywnych widżetów uruchamia budowę nowej siatki ze zaktualizowanym położeniem elektrody. Obejmuje to modyfikację warunków brzegowych i wartości przewodności dla nowego położenia elektrody.

Geometria elektrody jest traktowana jako swobodnie poruszający się obiekt wewnątrz objętości mózgu, zanim jej położenie zostanie zintegrowane z MES. Kluczową implikacją tego podejścia dla konstrukcji siatki jest to, że do modelu można łatwo wprowadzić wiele elektrod. Na przykład druga kopia geometrii elektrody może być umieszczona w odległości kilku milimetrów i obie zostaną uwzględnione w MES. W ostatnich badaniach dwie elektrody zostały wszczepione w bliskiej odległości w celu leczenia drżenia stwardnienia rozsianego13 i były wykorzystywane w eksperymentach na naczelnych innych niż ludzie w celu zbadania skutecznych celów stymulacji21. Zaletą stosowania wielu elektrod jest zapewnienie lepszej kontroli pola elektrycznego generowanego w tkance na większym obszarze. Stymulacja za pomocą aktywnych styków na obu elektrodach może skierować prąd w kierunku obszaru docelowego i z dala od obszarów, które prowadziłyby do negatywnych skutków ubocznych. Dokładniejsza kontrola stymulacji na większym obszarze jest również przydatna do badania różnych miejsc stymulacji, gdy dokładna lokalizacja zamierzonego celu jest nieznana, jak ma to miejsce w przypadku wielu pojawiających się zastosowań terapeutycznych DBS. Jednak określenie parametrów w celu uzyskania stymulacji terapeutycznej jest trudniejsze niż w przypadku pojedynczej elektrody ze względu na zwiększenie i tak już dużej przestrzeni parametrów.

Przewidujemy, że to interaktywne narzędzie do modelowania może przynieść korzyści podczas planowania przedoperacyjnego implantacji DBS. Informacje zwrotne na temat zakresu stymulacji w tkance mózgowej mogą pozwolić chirurgom na modyfikację położenia elektrod w ich planie chirurgicznym w celu zapewnienia stymulacji terapeutycznej w regionie docelowym. Podczas gdy terapia DBS była głównym czynnikiem motywującym do opracowania tego narzędzia, techniki przedstawione w tym artykule można zastosować do dowolnego modelu pola bioelektrycznego MES o różnych paradygmatach stymulacji lub rejestracji. Terapie stymulacyjne, takie jak przezczaszkowa stymulacja prądem stałym w przypadku depresji22 lub stosowanie elektrod głębinowych w leczeniu padaczki23 , mają te same wyzwania co DBS w określaniu najlepszej lokalizacji stymulacji w celu osiągnięcia wyników terapeutycznych. Elektrokortykografia, technika rejestracji z układem elektrod na powierzchni mózgu w celu identyfikacji regionów początku napadu, stoi przed wyzwaniem określenia, gdzie umieścić elektrody, aby rejestrować z docelowych obszarów mózgu24. Wszystkie te zastosowania są zależne od położenia elektrody, jednocześnie mając do czynienia z niepewnością dotyczącą przepływu prądu przez tkankę mózgową. Techniki przedstawione w tym artykule zmniejszają obciążenie związane z generowaniem i używaniem modeli obliczeniowych, zapewniając jednocześnie istotne informacje zwrotne badaczom i klinicystom korzystającym z tych urządzeń, którzy nie są ekspertami w dziedzinie modelowania.

Oświadczenia

Dr Christopher R. Butson pełnił funkcję konsultanta w firmach NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medical, St. Jude Medical i Functional Neuromodulation.

Podziękowania

Ten projekt był wspierany przez National Institute of Health Grants UH3, NS095554. Wsparcie techniczne zostało zapewnione przez Centrum Integratywnych Obliczeń Biomedycznych w Naukowym Instytucie Informatyki i Obrazowania i było możliwe częściowo dzięki oprogramowaniu opracowanemu przez NIH P41-GM103545, Center of Integrative Biomedical Computing.

Podziękowania kierujemy do Lexie Floor i Nathana Galli z Scientific Computing and Imaging Institute za produkcję i edycję filmu z przesłaniem, a także do Theresy Lins za pomoc w przygotowaniu manuskryptu.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
FreeSurferAthinoula A. Martinos Centrum Obrazowaniahttps://surfer.nmr.mgh.harvard.edu/
3D SlicerBWH, UniwersytetHarvardahttps://www.slicer.org/
SCIRun Centrum Integracyjnych Obliczeńhttp://www.sci.utah.edu/cibc-software/scirun.html
Biomedycznego Biomedycznych Uniwersytetu Utah

Bibliografia

  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).

Przedruki i uprawnienia

Tagi

Modelowanie specyficzne dla pacjentamodel element w sko czonychobrazowanie tensora dyfuzjistrukturalne MRIobliczanie pola bioelektrycznegointeraktywne tworzenie siatkipozycjonowanie elektrodaktywacja wi zek w kienmodelowanie obliczeniowe
Celowanie w szlaki włókien nerwowych w celu terapii głębokiej stymulacji mózgu przy użyciu interaktywnych, specyficznych dla pacjenta modeli
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.