Paciente específico Modelagem do Coração: Estimativa de Orientações de fibra ventriculares

Resumo

Uma metodologia para estimar orientações de fibra de ventriculares em imagens in vivo de geometrias coração do paciente para a modelagem de personalizado é descrito. Validação da metodologia realizada utilizando normal e não corações caninos demonstrar que que não há diferenças significativas entre as orientações de fibra estimadas e adquirida a um nível clinicamente observável.

Resumo

Específicas do paciente simulações da função cardíaca (dis), destinado a personalizar a terapia cardíaca são dificultados pela ausência de tecnologia de imagem in vivo para adquirir clinicamente orientações fibras miocárdicas. O objetivo deste projeto foi desenvolver uma metodologia para estimar orientações de fibra cardíaca em imagens in vivo de geometrias coração do paciente. Uma representação exacta da geometria ventricular e orientações de fibra foi reconstruído, respectivamente, de alta resolução, ressonância ex vivo estrutural magnética (RM) e imagens do tensor de difusão (DT) de RM de um coração humano normal, referido como o atlas. Geometria ventricular do coração do paciente foi extraído, através da segmentação semi-automática, a partir de uma in vivo tomografia computadorizada de imagem (CT). Utilizando algoritmos de transformação da imagem, a geometria ventricular atlas foi deformada para corresponder ao do paciente. Finalmente, o campo de deformação foi aplicado à fibra atlas orientatíons para obter uma estimativa de orientações de fibra de pacientes. A precisão das estimativas de fibra foi avaliada usando seis normais e três falhando corações caninos. A diferença média absoluta entre ângulos de inclinação de orientações de fibra adquiridos e estimada foi de 15,4 °. Simulações computacionais de mapas de ativação ventricular e pseudo-ECG em ritmo sinusal e taquicardia ventricular indicaram que não há diferenças significativas entre as orientações de fibra estimados e adquirido em um clinicamente observáveis ​​level.The novos insights obtidos a partir do projeto vai preparar o caminho para o desenvolvimento de paciente modelos específicos do coração, que pode ajudar os médicos no diagnóstico personalizado e decisões sobre intervenções eletrofisiológicas.

Introdução

A abordagem computacional está a tornar-se central para o avanço do conhecimento da função do coração na saúde e na doença. Estado-da-arte todo coração modelos de eletrofisiologia e eletromecânica estão sendo usados ​​para estudar uma ampla gama de fenômenos, como a propagação ventricular normal, arritmia, desfibrilação, acoplamento eletromecânico, e ressincronização cardíaca ^1. No entanto, para a abordagem computacional para ser directamente aplicável no ambiente clínico, é imperativo que os modelos ser específicas do paciente, isto é, os modelos devem basear-se na arquitectura específica e propriedades electrofisiológicas ou electromecânicos de coração doente do paciente. Simulação com esses modelos ajudará os médicos a chegar a decisões altamente personalizados para intervenções eletrofisiológicas bem como profilaxia, reduzindo drasticamente melhorar a saúde cardíaca ^2-4.

content "> Criação de modelos cardíacos realistas requer a obtenção da estrutura e geometria da fibra de um coração do paciente. orientações de fibra determinar direcções de propagação e as distribuições de deformação eléctrica no coração, e portanto, antes de os adquirir é essencial para a modelagem cardíaco ^{5, 6.} Com recentes avanços na imagiologia médica, é agora possível obter a geometria de um coração do paciente, a remodelação includingstructural tais como enfarte, in vivo com alta resolução usando imagem por ressonância magnética (MRI) e tomografia computadorizada (CT) tecnologias. No entanto, não há nenhuma método prático para a obtenção de uma estrutura de fibras do coração do paciente, in vivo. Diffusion tensor (DT) MRI ^{7, 8,} a única técnica de adquirir orientações de fibras do coração intactos, não é amplamente disponível, in vivo, devido a certas limitações ^9. Uma breve descrição dos esforços anteriores para traduzir DTMRI o quadro clínico pode ser encontrada elsewhere ^2. Apesar de metodologias como a regra de atribuição baseada em fibra de orientações oferecer alternativas ao DTMRI, estas metodologias têm certas limitações graves ^{2, 10.} Assim dificuldades na aquisição de estrutura de fibra cardíaca in vivo atualmente impedem a aplicação de eletrofisiológicos e eletromecânica simulações cardíacas em ambiente clínico. O objetivo desta pesquisa foi o de abordar diretamente essa necessidade.

Colocámos a hipótese de que as orientações de fibras ventriculares de um coração pode ser prevista com precisão, dada a geometria do coração e um atlas, onde o atlas é um coração cuja geometria e fibra orientações estão disponíveis. Assim, usamos estado das técnicas de arte para desenvolver uma metodologia para a estimativa de orientações fibra cardíaca in vivo, e testou a hipótese em normal e não ventrículos caninos ^2. A idéia central da nossa metodologia de estimativa de fibra é explorar similarities em orientações de fibras, em relação à geometria, entre corações diferentes a fim de aproximar a estrutura de fibra de um coração (alvo) para os quais as informações a geometria está disponível. No coração de nossa metodologia de estimação é o registro da geometria atlas com a geometria alvo usando mapeamento difeomórfico grande deformação métrica (LDDMM) ^11, eo morphing de orientações de fibra atlas usando preservação de componentes principais (PPD) ^{2, 12.} Diffeomorphicproperty A de garantias LDDMM que o atlas não "foldover" em si durante a deformação, preservando assim as estruturas anatômicas integrityof. figura 1 ilustra o pipeline de processamento de nossa metodologia. A secção de texto de protocolo § 1 descreve os vários componentes do oleoduto, demonstrando como o cálculo pode ser executado para um paciente exemplo. Os números dentro de alguns dos blocos na Figura 1 referem-se ao correspondentesubseções ao abrigo da secção § 1 º do texto do protocolo.

Foi avaliado o desempenho da metodologia proposta pela quantificação do erro de estimação, e medir o efeito deste onsimulations erro de eletrofisiologia cardíaca, por simular computacionalmente locais mapas de ativação elétrica, bem como pseudo-eletrocardiogramas (ECGs pseudo-). Devido à indisponibilidade dos corações humanos, a avaliação de desempenho foi realizado utilizando corações caninos disponíveis a partir de estudos anteriores ^13-15. O erro de estimativa foi calculada por meio de ângulos de inclinação ^16, a tradição followingthe de histologia, onde as medições são secções angulares performedon tecidos que são cortadas paralelamente à epicardialsurface. Desde que o sentido das fibras anglebetween e plano tangente epicardial é generallysmall ^{17, 18,} ​​a perda de informação em descrever um fiberdirection inteiramente usando o seu ângulo de inclinação é insignificante. Para o computcionais, simulações de imagem baseados em modelos foram construídos como descrito previamente ^{19, 20,} e o tecido cardíaco nos modelos foi representada com base em técnicas matemáticas estabelecidas e os dados experimentais ^21-25. Ritmo sinusal foi simulado por activação de replicação proveniente da rede de Purkinje ^26, e taquicardia ventricular, por uma estimulação S1-S2 protocolo ^27. Pseudo-ECGs foram computados ²⁸ e comparados utilizando o desvio médio absoluto (MAD) métrica ^29.

Protocolo

1. Estimativa Orientações fibra

1. Adquirir imagens de ressonância magnética e estruturais DTMRI de um coração humano adulto normal em diástole, a uma resolução de 1 mm ^3. Usando ImageJ, extrair o miocárdio ventricular a partir da imagem atlas estrutural por encaixe, para cada fatia do eixo curto, fechado estrias através de um conjunto de pontos de marco colocados ao longo dos limites do epicárdio e endocárdio na fatia (Figura 2A e Figura 2B). Realizar a colocação de pontos de marco manualmente para cada fatia 10 ^ª na imagem. Obter os pontos marcantes para as restantes fatias através da interpolação linear dos pontos identificados manualmente, utilizando as orientações MATLAB.Reconstruct fibras do coração atlas calculando os vectores próprios primárias dos DTs na imagem DTMRI (Figura 2C).
2. Adquirir uma imagem da geometria do coração do paciente, em diástole cardíaca in vivo utilizando CT ou MRI. Reconstruct a geometria cardíaca do doente a partir da imagem de forma semelhante à forma como o atlas foi construído (Figura 3A e 3B). A imagem do paciente deve ser re-amostrados antes da reconstrução de tal forma que a resolução no plano é de 1 mm ^2. Da mesma forma, o número de fatias para os quais pontos de referência são escolhidas manualmente, eo intervalo de fora-de-plano interpolação deve ser ajustada de modo a que a imagem do coração segmentado paciente tem uma espessura de corte de 1 mm.
3. Deformar a imagem do ventrículo atlas para coincidir com a geometria da imagem do paciente em duas etapas. No primeiro passo, realizar uma transformação afim com base num conjunto de pontos de 13 pontos de referência: o ventrículo esquerdo (LV) do vértice, a dois ventricular direita (VD), os pontos de inserção na base, os dois pontos de RV de inserção a meio caminho entre a base eo vértice, e quatro conjuntos de dois pontos que dividem uniformemente RV e contornos LV epicárdicas na base e intermediárias entre a base eo ápice (Figura 4A e (Figura 4C).
4. Morph a imagem DTMRI do atlas de reposicionamento de voxels de imagem e re-orientar o DTS de acordo com a matriz de transformação da correspondência afim e o campo de deformação da transformação LDDMM. Realizar a re-orientação dos TDs usando a preservação de direções principais (PPD) do método.
5. Obter a estimativa das orientações de fibra a partir do paciente morphed imagem DTMRI atlas calculando o vector próprio primário do DTS (Figura 5).

2. Medição de erro de estimativa

1. Adquirir ex vivo estrutural MR e imagens DTMR de seis normais e três falhando corações caninos, em uma resolução de 312,5 × 312,5 × 800 ³ mM. Aqui, coração faiisca deve ser gerado nos caninos através ablação por radiofreqüência do ramo esquerdo, seguido de 3 semanas de tachypacing a 210 min ^-1.
2. Segmento os ventrículos do coração canino similarmente ao coração atlas humano, tal como descrito em § 1.1. Denotam ventrículos segmentados a partir de corações normais caninos como corações de 1 a 6, e os corações não segmentado de caninos como corações 7 a 9 (Figura 6).
3. Obter cinco diferentes estimativas de orientações ventriculares do coração de uma fibra usando cada um dos corações 2-6 como um atlas (Figura 7).
4. Estimar orientações de fibra para cada um dos ventrículos falência cardíaca usando 1 como o atlas (Figura 8).
5. Foreach ponto de dados de cada conjunto de orientação da fibra estimado, calcular o erro de estimativa como | θ θ _c-a |, onde θ θ _c e _um são os ângulos de inclinação de uma estimad adquirido orientações de fibra nesse ponto, respectivamente.
6. Para cada ponto de dados de cada conjunto de orientação da fibra estimados, computar o ângulo agudo betweenestimated e adquirida direcções de fibra em três dimensões (3D), por meio de thevector produto escalar.

3. Mensuração dos efeitos de erro de estimativa em simulações

1. De um coração, construir seis modelos, um com as orientações DTMRI-adquiridas fibra de coração 1 (referido como modelo 1), e cinco com os cinco conjuntos de dados estimados orientações de fibra (modelos 2 a 6). Para cada um dos três não cardíaca geometrias, construir dois modelos ventriculares, um com os DTMRI adquiridas orientações de fibra e outro com as orientações de fibra estimados. Aqui, a resolução espacial dos modelos, calculado em termos de comprimento da aresta média das malhas, deve ser de cerca de 600 ^ m. Denotam os modelos de insuficiência cardíaca de fibras DTMRI-adquiridas como modelos 7-9, e aqueles com Estimafibras ed como modelos de 10 a 12.In os modelos, usar a representação monodomain para descrever o tecido cardíaco, com equações que regem:

onde σ _b é o tensor de condutividade a granel, que é calculado a partir dos tensores de condutividade como descrito por bidomain Potse et al ^30; V _m é o potencial transmembranar; C _m é a capacitância de membrana específico, e I _{de iões} é a densidade da corrente transmembranar, que por sua vez depende de V _m e um conjunto de variáveis ​​de estado μ descrevendo a dinâmica de fluxos iónicos através da C membrane.For _m, usar um valor de 1 μ F / cm ^2. Para σ _i em condições normais de modelos de coração canino, use lonnal e transversal valores de condutividade de 0,34 S / m e 0,06 S / m, respectivamente. Representar _lon l pelos modelos Greenstein-Winslow iónicos do miócito ventricular canino. Diminuir os de condutividade elétrica em caninos coração modelos falência ventricular em 30% (Figura 9).

2. Usando o software de pacote CARP (CardioSolv, LLC), simular ritmo sinusal, com todos os modelos. Induzir taquicardia ventricular reentrante (VT) em seis modelos de falência utilizando um protocolo de estimulação S1-S2. Escolha o tempo entre S1 e S2 para obter atividade TV sustentada por 2 segundos após o parto S2. Se VT não é induzida por qualquer tempo S1-S2, diminuir as condutividades em até 70%, até VT foi induzida (Figura 10).
3. Para cada simulação, calcular pseudo-ECGs tomando a diferença de potencial entre dois pontos extracelulares num banho isotrópico em torno dos corações. Colocar os dois pontos perto da base do coração, separadopor 18 cm, de tal forma que a linha que os une é perpendicular ao plano de base de ápice do septo, conforme ilustrado na Figura 10. Para cada simulação com orientações de fibra estimados, calcular a métrica como MAD

onde X é a forma de onda do ECG da simulação com as orientações de fibra de cerca de, Y é a forma de onda do ECG de thecorresponding simulação com as orientações de fibra adquiridos, X é o valor médio de X, Y é o valor médio de Y, e n é o comprimento de X e Y.

Resultados

Figura 11, AC exibe visualizações simplificadas de estimativa, bem como orientações DTMRI derivados de fibra em corações normais e falhando. A análise qualitativa mostra que as orientações de fibra de cerca de alinham bem com DTMRI derivados entes. O painel D ilustra, sobreposta sobre a geometria do coração 1, a distribuição do erro de ângulos de inclinação corações normais ", em média, em todos os cinco estimativas. Painel E mostra a distribuição média de erro de falha ângulos de inclinação, os coraçõe...

Discussão

Esta pesquisa demonstra quantitativamente que, na ausência de DTMRI, orientações de fibra do miocárdio dos ventrículos normais e não pode ser estimada a partir de imagens in vivo das suas geometrias para utilização em simulações de electrofisiologia cardíaca. A metodologia proposta é demonstrado com dados in vivo TC, mas é igualmente aplicável a imagens de RM in vivo da geometria ventricular, dirigindo-se a falta de capacidade para adquirir directamente orientações de fibra d...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
LDDMM	Johns Hopkins University		http://cis.jhu.edu/software/lddmm-volume/index.php
MATLAB	Mathworks, Inc.	R2011b	http://www.mathworks.com/products/matlab/
ImageJ	National Institutes of Health		http://rsbweb.nih.gov/ij/
Tarântula	CAE Software Solutions		http://www.meshing.at/Spiderhome/Tarantula.html
CARP	CardioSolv		http://cardiosolv.com/
Imagens caninos	Johns Hopkins University		http://www.ccbm.jhu.edu/research/DTMRIDS.php