En rørledning for 3D Multimodalitet Bilde Integrerings- og Datamaskinassistert planlegging i Epilepsi Surgery

Summary

Vi beskriver fremgangsmåten for å bruke vår spesialdesignet programvare for bilde integrasjon, visualisering og planlegging i epilepsi kirurgi.

Abstract

Epilepsi kirurgi er krevende og bruk av 3D-bilde multimodalitet integrering (3DMMI) for å hjelpe til presurgical planlegging er veletablert. Multimodalitet bilde integrasjon kan være teknisk krevende, og er underutnyttet i klinisk praksis. Vi har utviklet en enkel programvareplattform for bilde integrasjon, 3D-visualisering og kirurgisk planlegging. Her er vår rørledning beskrevet i trinn-for-trinn-mote, og starter med image oppkjøpet, fortsetter gjennom bilde co-registrering, manuell segmentering, hjerne og fartøy utvinning, 3D-visualisering og manuell planlegging av stereoEEG (Seeg) implantasjoner. Med spredning av programvaren denne rørledningen kan gjengis i andre sentre, slik at andre grupper for å dra nytte av 3DMMI. Vi beskriver også bruk av en automatisert, multi-bane planlegger å generere stereoEEG implantasjon planer. Foreløpige studier tyder på dette er en rask, sikker og effektiv medhjelper for planlegging SEEG implantasjoner. Endelig en enkel solutipå for eksport av planer og modeller til kommersielle nevro systemer for gjennomføring av planer i operasjonssalen er beskrevet. Denne programvaren er et verdifullt verktøy som kan støtte kliniske beslutningsprosesser i hele epilepsi kirurgi veien.

Introduction

I kirurgisk praksis er det avgjørende for kirurgen å verdsette anatomiske strukturer og deres romlige relasjoner til hverandre i tre dimensjoner. Dette er spesielt viktig i nevrokirurgi, hvor kirurgen arbeider i et trangt rom, med begrenset visualisering og tilgang til komplekse anatomi. Til tross for dette, hittil mest bildebehandling har blitt presentert for kirurger i konvensjonelle plan 2D form, og ulike bildediagnostikk blir ofte presentert en etter en i serien. Som en konsekvens, har kirurgen å mentalt integrere disse dataene for hver pasient, og plassere den i en anatomisk ramme for presurgical planlegging. Det er tydelig fordel i å generere 3D datamodeller av den individuelle pasient hjernen, som demonstrerer anatomi av hjernebarken, blodkar, eventuelle patologiske lesjoner til stede, så vel som andre relevante 3D landemerker i det samme romlige sammenheng ^1-4. Før operasjonen kirurgen kan rotere og endre gjennomsiktig of disse modellene, for å fullt ut forstå 3D relasjoner mellom ulike strukturer av interesse. Dette prinsippet kalles 3D multimodalitet imaging (3DMMI).

Målet med pre-kirurgisk evaluering for epilepsi kirurgi er å slutte lokalisering av området av hjernen hvor anfall oppstår, og sørge for at dette kan trygt resected uten å forårsake betydelige underskudd ^5. Det er et bredt spekter av diagnostiske bildediagnostikk som bidrar til dette, blant annet strukturell MR, fluorodeoxyglucose positronemisjonstomografi (FDG-PET), ictal SPECT (SPECT), magnetoencefalografi (MEG) dipoler, funksjonell MRI (fMRI) og diffusjon tensor imaging (DTI) ^6. Epilepsi kirurgi er ideell for 3DMMI siden det krever samtidig tolkning av flere datasett, og hensynet til hvordan hvert datasett er relatert til en annen.

I mange tilfeller ikke-invasive undersøkelser mislykkes to gi nivået av bevis som kreves for å fortsette til reseksjon. I disse tilfellene intrakranial EEG (IC EEG) opptak er nødvendig for å identifisere den delen av hjernen som må fjernes for å forebygge anfall. I økende grad er IC EEG utført ved en teknikk kalt SEEG, der en rekke opptaksdybde elektrodene er plassert intracerebralt å fange sted forplantning av elektrisk aktivitet forbundet med anfall i 3D ^1,7-10.

Det første trinnet i SEEG implantasjoner er å utvikle strategien for implantasjon, definere de områdene av hjernen som må prøves. Dette innebærer å integrere den kliniske og ikke-invasiv EEG dato, med strukturell avbildning, med enhver lesjon, og funksjonell avbildning data som fastsetter posisjonen for kilden til epilepsi.

Det andre trinnet er den presise preoperativ planlegging av elektrode baner. Kirurgen må sikre trygge avaskulære elektrode baner, sentre elhjelp av elektrode oppføringer på kronen av Gyri og fjernt fra kortikale overflaten årer, og traversering skallen orthogonally. I tillegg hele implantasjon ordningen må være godt gjennomtenkt, med rimelig inter-elektrode avstand og ingen elektrode kollisjoner.

Muligheten for å generere 3DMMI modeller for å lede implantasjon av IC EEG-elektroder i en travel epilepsi kirurgi praksis har tidligere blitt demonstrert ^11. Vi har også vist prinsippet om at bruk av 3DMMI overfører merverdi i klinisk beslutningstaking. I en prospektiv studie, avsløring av 3DMMI endret noen aspekter av ledelse i 43/54 (80%) tilfeller, og spesielt endret plassering av 158/212 (75%) av dybdeelektroder ^12.

Det er en rekke programvarepakker som letter 3DMMI. Disse inkluderer kommersielt tilgjengelige nevro plattformer som brukes i operasjonssalen, spesialisert planlegging programvare suiter alliertemed nevro plattformer og forskningsorienterte frittstående bilde integrering og visualiserings plattformer. Som funksjonalitet, fleksibilitet og allsidighet av disse plattformene øker, brukervennlighet og sannsynligheten for oversette dem til klinisk praksis tilsvarende reduseres.

Vi har utviklet skreddersydd programvare for multimodalitet image integrering, avansert 3D-visualisering og SEEG elektrodeplassering planlegging ^12,13 for behandling av epilepsi. Det legges vekt på brukervennlighet i en klinisk situasjon, slik at sanntids bruk av programvare av klinikere, og rask innlemmelse i den kliniske rørledningen. Programvaren kjører på en translasjonell bildebehandling plattform ^14, som kombinerer NiftyReg, NiftySeg og NiftyView.

I denne utredningen protokollen for å bruke programvaren i klinisk praksis er satt ut. Trinnene for bilde co-registrering, segmentering av regioner av interesse, hjerne segmentering, utpakkingblodkar fra dedikert vaskulær avbildning ^15, bygge 3D-modeller, planlegging SEEG implantasjoner og raskt eksportere modeller og planer til operasjonssalen er beskrevet. En roman verktøyet er også beskrevet for automatisert multi-bane planlegger ^13, som øker sikkerheten og effekten av de implantasjoner og vesentlig reduserer varigheten av planlegging.

Protocol

MERK: Programvare kommandoer gitt her er spesifikke for den gjeldende versjonen (19.01.2015) av programvaren og kan endres ved senere programvareversjoner. Håndbøker for enkelte versjoner er tilgjengelig på forespørsel.

1. Utfør Bilde Integrasjon og visualisering

1. Acquire bildebehandling.
   1. Tilegne nevro T1-vektet MRI-skanning med gadolinium enhancement- dette vil være referansebildet. (Merk: krav Image Acquisition er tilgjengelige fra nevro kommersiell leverandør ^11,12 Se tabell 1.).
   2. Samle alt annet tenkelig gjort under presurgical evaluering i DICOM eller Nifti format (kan inkludere funksjonell MRI (fMRI), diffusjon tensor imaging (DTI) tractography, fluor-deoxyglucose positronemisjonstomografi (FDG-PET), ictal-interiktal enkelt foton emisjon CT ( SPECT), magnetoencefalografi (MEG) dipol, 3D fasekontrast MR, CT angiografi) Se tabell 1.
2. Kjør pre-prosessering utenfor intern programvare.
   1. Prosess isometrisk T1 vektet MRI med åpen kildekode Freesurfer programvare, kjøres på en linux arbeidsstasjon ved å bruke kommandoen "Recon-all", for å generere kortikale segmentations.
   2. Konverter wmparc.mgz og ribbon.mgz filer til Nifti format ved hjelp av kommandoen "mrconvert '
3. Open in-house programvare på Windows-PC og laste inn data (figur 1).
   1. Note 2 x 2 vindu skjerm, DataManager på helt til venstre, ikoner på toppen representerer forskjellige bildebehandlingsverktøy og valgte verktøyet på helt til høyre.
   2. Importer data ved hjelp av "dra og slipp", ved å gå til hovedmenyen "File / Open" eller ved en hastighet knapp (ikon) "Open". Bla gjennom ulike datasett for å sikre fullstendighet. Merk zoom-funksjonen ved å høyreklikke og flytte musen, og den hierarkiske natur DataManager, med påfølgende bilde overlegg.
4. Coregister bilder. <ol>
5. Enkeltbilder.
   1. Velg NiftyReg verktøyet fra farts ikoner.
   2. Velg nevro T1 med gadolinium i DataManager- dette vil være referansebilde som all annen bildebehandling er coregistered til.
   3. Velg "flytende bilde" for å bli coregistered å referere bilde.
   4. Definer navn og plassering av registrerte bilde. Sett optimalisering parametre til nivå nummer 4, nivå for å utføre 3, iterasjon nummer 5, coregistration typen stiv kropp.
   5. Kjør automatisert stiv kropp coregistration ved å klikke på "Kjør" -knappen.
   6. Sjekk nøyaktigheten av coregistration. Inspiser registrert bilde over referansebildet, og endre gjennomsiktigheten av registrerte bilde ved å høyreklikke på bildet i DataManager, og flytte den "Opacity" markøren. Kontroller coregistration ved å inspisere klare anatomiske landemerker som foramen av Monroe.
6. Grupperte bilder.
   1. Coregister 'space-definerende bilde' første (f.eks. Delvis anisotropisk kart), ved hjelp av NiftyReg verktøy som i trinn 1.4.1.1 - 1.4.1.6.
   2. Velg RegResample verktøyet fra farts ikoner.
   3. Velg nevro T1 med gadolinium i DataManager som referansebilde.
   4. Velg bilde med resultatet av behandlingen (f.eks., Tractography image) som flytende bilde.
   5. Bruk txt fil generert fra forrige registrering av "space-definerende bilde" som input transformasjon.
   6. Definer navn og plassering av registrerte bilde. Velg interpole type som 0.
   7. Kjør resampling av 'resultat av behandling' ved å klikke på "Kjør" -knappen.
   8. Vis nye generert bilde ved å velge i DataManager
   9. Sjekk nøyaktigheten av coregistration som i trinn 1.4.1.6.
7. Gjenta trinn 1.4.1 - 1.4.2 for alle datasett.

Segment bilder.

1. Velg bilde som skal segmenteres i DataManager, og velg Segmentering Editor verktøyet fra farts ikoner.
2. Bruk avanserte segmenteringsverktøy (manuell segmentering, region voksende, subtrahere) til å trekke region av interesse på flere skiver av bildebehandling i aksial, koronale og sagittalplan
3. Velg 3D interpolering for å visualisere utvikling segmentert struktur i 3D-vinduet. Bekreft segmentering for å generere ny Nifti fil av segmentert struktur.
4. Gjenta trinn 1.5.1 - 1.5.3 for alle bildene der manuell segmentering er indisert.

Generere hjernemodeller.

1. Velg wmparc.nii bilde på DataManager, og sikre wmparc.nii er coregistered med referansebildet ved hjelp av trinn 1.4.1.
2. Velg Basic Processing Verktøy fra farts ikoner.
3. Påfør en terskel å wmparc.nii 1-5002 å skape binarised maske av cortex.

Render områder av interesse som 3D-overflater (figur 2, 3). Merk: Visualisering av datasett som 3D-overflate gjengivelser (STL-filer) kan gjøres på to måter:

1. Bruk Surface Extractor tool.
   1. Velg Surface Extractor ikon. Definer terskel for overflate utvinning og velg Bruk. Navn overflaten rendering i DataManager.
2. Høyreklikk på Nifti fil i DataManager og velg "Smooth Polygon Surface».

Pakk overflate modeller av fartøy (figur 4). Merk: Trekke fartøy fra dedikert vaskulær imaging (3D fasekontrast MR, CT angiografi, T1 vektet MRI med gadolinium) kan gjøres på to måter.

1. Bruk Surface Extractor verktøyet.
   1. Coregister vaskulær bildebehandling til referansebildet ved hjelp NiftiReg. 3D overflate gjengi bildet ved hjelp av Surface Extractor.
   2. Generere intrakraniell maske ved bruk av utvidelse og lukking funksjoner i Basic bildebehandling til binarised maske av cortex. Påfør intrakraniell masken til vaskulær avbildning ved hjelp av formere funksjon i Basic bildebehandling for å fjerne ekstrakraniale fartøy.
   3. Fjern støy fra stl file ved behandling utenfor intern programvare, ved hjelp av 3D mesh behandling programvarepakken. Merk: Instruks for bruk av dette verktøyet er fritt tilgjengelig på nettet.
2. Bruk VesselExtractor verktøyet.
   1. Velg VesselExtractor verktøyet fra farts ikoner. Velg vaskulær bildedatasettet og angi navn og plassering av fartøyet-utvinning Nifti fil.
   2. Kjør VesselExtractor ved å klikke på "Kjør". Påfør intrakranielle maske til resultatene av VesselExtractor bruker formere funksjon i Basic bildebehandling for å fjerne ekstrakraniale fartøy. Merk: Intrakraniell mask generert ved å bruke utvidelse og lukking funksjoner i Basic bildebehandling til binarised maske av cortex som i 1.8.1.2.
3. Gjenta prosessen med 1.8.1 eller 1.8.2 for CT angiografi, 3D fasekontrast MR og nevro T1 med gadolinium.

Generere volum gjengivelse av hjernen (figur 5).

1. Velg wmparc.nii imalder på DataManager, og sikre wmparc.nii er coregistered med referansebildet ved hjelp av trinn 1.4.1.
2. Velg Basic Processing Verktøy fra farts ikoner.
3. Påfør Gaussian glatting til wmparc.nii bilde, ved hjelp av Basic Processing verktøy.
4. Velg volumgjengivelse verktøyet fra farts ikoner, og sikre glattet wmparc.nii fil er uthevet i DataManager.
5. Tick ​​"volumgjengivelse 'boksen inne volumgjengivelse verktøy for å generere volum gjengivelse av cortex.

2. Utfør manuell planlegging

1. Bruk Mønster Planner hastighet ikonet.
   1. Velg nevro T1 skanner som referansebilde. Velg Ny Plan og New bane.
   2. Velg målpunkt på planar avbilding ved å trykke på "Alt" og høyreklikk på musen, basert på listen over ønskede anatomiske målpunkter av klinikere. Merk: eksempler på mål inkluderer mesiale time strukturer (amygdala, hippocampus), insula, cingulate gyrus.
   3. Velg inngangspunkt på planar avbilding ved å trykke på "Alt" og venstre-klikk på musen, basert på listen over ønskede inngangspunkter av klinikere. Merk: eksempler på inngangspunkter inkluderer midten temp gyrus, PreCentral gyrus, supramarginal gyrus.
   4. Observer lineær bane generert mellom mål og inngangspunkt.
2. Visualisere risiko.
   1. Velg Risk Visualisering hastighet ikonet for å undersøke bane lengde.
   2. Velg «lenkevisning flyene 'for å koble sonder øye betrakteren til ortogonale view flyene i hovedvinduet.
   3. Rull sammen bane, undersøke sonder øye betrakteren til å sikre avascular banen.

3. Utfør Datamaskinassistert planlegging

1. Forbered data.
   1. Forbered grå overflate.
      1. Velg ribbon.nii fil generert fra kortikal segmentering programvare.
      2. Co-registrere ribbon.nii fil til referansebilde hjelp NiftiReg.
      3. 3D overflate render co-registrerte bildet ved å bruke "Smooth polygon overflaten" -funksjonen.
   2. Forbered skalp og hodebunn utelukkelse mal.
      1. Velg T1 nevro bilde som referansebilde.
      2. Bruk Basic Bildebehandling verktøy for å søke Gaussian transformasjon.
      3. Surface gjengi bildet ved hjelp av Surface Extractor, for å generere skalp overflaten.
      4. Lagre og eksportere bildet som stl fil.
      5. Load stl FLE i 3D mesh prosessering programvare.
      6. For hodebunnen, bruk rense og redigeringsverktøy for å slette intrakranielle innholdet.
      7. For skalp utelukkelse mal, bruke manuelle redigeringsverktøy for å fjerne områder som ikke er egnet for elektrode inngangspunkter (ie., Ansikt, ører, kontralaterale halvkule, areal under tentorium cerebelli).
   3. Forbered overflaten sulci overflaten.
      1. Generere hele sulci.
         1. Binarise wmparc.nii filen ved hjelp av grunnleggende bildebehandlingsverktøy som i trinn 1.6.3.
         2. Lukk binarisedwmparc.nii fil ved tre hjelp Basic Bildebehandling verktøy.
         3. Trekk binarised fil generert i 3.1.3.1.1 fra lukkede binarised fil generert i 3.1.3.1.2 bruker Basic Bildebehandling verktøy.
      2. Fjern det sulci ved dybden for å generere overflaten sulci bildet. Merk: ved hjelp av overflate sulci bilde som en kritisk struktur har den fordel at avstands baner bort fra sulci på overflaten av hjernen, og tillater baner til å nærme seg sulci ved dybde, som er der grå materie ligger.
         1. Reduser lukket, binarised wmparc fil generert i 3.1.3.1.2 bruke Basic bildebehandlingsverktøy.
         2. Inverter fil generert i 3.1.3.2.1 bruke Basic bildebehandlingsverktøy.
         3. Multipliser fil generert i 3.1.3.2.2 av hele sulci generert i 3.1.3.1.3, ved hjelp av grunnleggende bildebehandlingsverktøy.
2. Kjør multi-bane planner (figur 6).
   MERK: Automated multi-bane planlegging er avhengig av robuste data forberedelse; overflate gjengivelser av hodebunnen, skalp utelukkelse maske, intrakranielle blodkar, overflate sulci, cortex og grå materie er påkrevd.
   1. Velg Mønster Planner fra farts ikoner. Velg referansebilde som nevro T1 MR.
   2. Velg 'målpunkter'; flere målpunkter kan legges inn med "Shift" og musen til venstre-klikk, eller ved å laste en lagret målpunkt sett. Merk: eksempler på mål inkluderer mesiale time strukturer (amygdala, hippocampus), insula, cingulate gyrus.
   3. Velg "innganger", og velg hodebunn utelukkelse maske på den vedlagte nedtrekksmenyen. Merk: Dette har til formål å begrense leting etter mulige inngangspunkt til et begrenset område som er kirurgisk mulig å gjennomføre.
   4. Velg kritiske strukturer, merking av overflater fra rullegardinlisten som banene bør unngå. Velg avanserte innstillinger; justere brukerdefinerte constraints om bane lengde, vinkel for innreise og avstanden mellom banene som foretrukket.
   5. Velg grå saks skyld hvit substans evaluering og stratify risiko slag for å optimalisere andel av de baner som ligger i grå materie.
   6. Kjør multi-bane planlegger ved å velge Legg til ny Plan og recompute Plan.
3. Visualiser risiko (figur 7).
   1. Vurdere risiko og sikkerhetsprofil etter banen planlegging, ved hjelp av Risk Visualisering hastighet ikonet.
      Merk: For hver bane er det beregninger for lengde, vinkel på oppføring, kumulativ risiko, minste avstand mellom blodkar og grå hvit substans forhold, samt grafisk representasjon langs banen banen avstand til kritiske strukturer. En prober øye viewer er også inkludert.
   2. Velg Risk kartet i DataManager å vise en fargekodet contour kartet liggende skalp utelukkelse maske, med potensielle inngangspunkter representert med tilhørende risikonivået colour kodet, med rød representerer høy risiko og grønt representerer lav risiko for noen utvalgte bane.
4. Manuell justering av baner.
   1. Velg bane.
   2. Velg nytt inngangspunkt ved å trykke Alt og mus høyreklikk, og ny målepunktet ved å trykke Alt og mus venstreklikk.
   3. Vurdere ny bane med Risk Visualisering hastighet ikonet som i trinn 3.3.

4. Eksport Planer og modeller til operasjonssalen

1. Sjekk at referansebildet er i DICOM-format. Velg S7 Eksport fra speed-ikonet.
2. Definere referansebildet, planer og baner og modellene som skal eksporteres, og angi målmappen til det lagrede arkivet. Kjør S7 eksport verktøy.
3. Last opp generert arkiv på en USB-pinne for overføring til en nevro system på operasjonsstua, og laste arkivert mappe på nevro system for klinisk implementering av planlagte trajectories.

5. Rekonstruer elektrode Implantasjon Post-operativt

1. Acquire postoperativ CT bildebehandling.
2. Load CT hode på intern programvare og laste tidligere lagrede pasientdatasettet.
3. Coregister CT å referere T1 vektet MRI bruker NiftyReg verktøyet.
4. Generere 3D overflaten gjengivelse av elektroder som bruker SurfaceExtractor verktøyet på registrerte CT, med høy terskel.
5. Ren overflate utførte elektroder av støy, og ledninger ved hjelp av rengjørings- og reparasjonsfunksjoner av 3D mesh behandling programvare.

Representative Results

Protokollen er beskrevet for bilde integrasjon, visualisering, manuell planlegging og eksport til en valgt nevro system har vært ansatt ved Rikshospitalet for nevrologi og nevrokirurgi siden august 2013. Dette utgjør 35 tilfeller av SEEG implantasjon ^12, med implantasjon av 319 dybdeelektroder. 27/35 (77%) av pasienter som har utviklet seg til en kortikal reseksjon etter implantering, noe som er en indikator på at implantering identifiserte området av beslaget utbruddet. Det har vært en blødnings komplikasjon i forbindelse med plassering av dybde elektroder, og denne ble behandlet konservativt.

De bildediagnostikk brukes under presurgical evalueringen avgjøres fra sak til sak, og er beskrevet i tabell 1. Protokollen er fleksibel, og kan legge inn en avbildningsfunksjonalitet som kan importeres til DICOM eller Nifti format. Figur 1 viser den grunnleggende seer for vår in-house programvareplattform, og figur 2, 3, 4 og 5 illustrerer typiske skjermbilder under byggingen av 3D multimodalitet modeller.

Den sømløse integreringen av denne protokollen i vår kliniske rørledning, og formidling av denne programvaren til andre sentre, er en nyttig surrogat 'markør' suksess. Vanskelighetene i vurderingen av klinisk nytte i epilepsi kirurgi befolkningen er godt kjent og beskrevet andre steder ^12. Denne rørledningen har en strømlinjeformet løsning som er fleksibel, relativt brukervennlig, og lett å gjenskape i andre sentre.

Datamaskinassistert planlegging (CAP) er en ny utvikling som har vært i ettertid testet på tidligere manuelt planlagte implantasjoner ^16. Foreløpige resultater tyder på at CAP genererer tryggere, mer efficient implantasjoner, som er mulig å gjennomføre, og som er gjennomført i en tid effektiv måte ^16. Tabell 2 viser dette kvantitativ sammenligning. En prospektiv studie av å bruke CAP i klinisk praksis er i gang. Den algoritme som driver CAP er tidligere beskrevet ^13.

Figur 6 viser et typisk resultat fra den automatiserte multi-bane planleggeren. De kritiske strukturer som er inngått er vener, arterier og overflate sulci. Legg merke til sentrering av baner på kronen av Gyri, og den begrensende av baneinngangspunkter til en hodebunn utelukkelse maske. Figur 7 viser et typisk risiko visualisering graf for en individuell bane, med tilhørende beregninger og grafisk representasjon av banelengden.

Figur 1. Basic Viewer Visning av In-house Software Platform. Venstre- DataManager, TOP- verktøylinjen som inneholder snarveier plug-in verktøy, høyre strøm plugg i verktøyet i bruk, sentrum-4 Ortho-view skjerm. Klikk her for å se en større versjon av dette tallet.

Figur 2. Segmentering og 3D visualisering i In-house Software. (A) aksial T1 MR med overlagret overflatemodeller, (B) 3D overflaten gjengivelse av modeller (cyan-årer, grønn-motor hånd fra transkranial magnetisk stimulering, appelsin- bueformet fasciculus tractography, blå- corticospinal tractography, rosa-optikk stråling tractography, gul- uncinate fasciculus tractography, purple- thalamus segmentation). Klikk her for å se en større versjon av dette tallet.

Figur 3. generasjon av Cortex overflatemodeller. (A) aksial visning av wmparc fil, (B) wmparc fil terskel 1-5002, (C) overflate gjengivelse av binarised wmparc fil. Klikk her for å se en større versjon av dette tallet.

Figur 4. Vessel Extraction i In-house programvare ved hjelp av Vesselness. (A) Axial CT angiografi co-registrert med 3D fase kontrast MRI. (B) 3D overflaten gjengivelse av venene (cyan) og arterier (rød). Klikk her for å se en større versjon av dette tallet.

Figur 5. generasjon av Cortex Volume Model 3D Volume gjengivelse av cortex (grå) og overflate gjengivelse av hodebunnen overflate (hvit). Klikk her for å se en større versjon av dette tallet.

Figur 6. 3D multimodalitet modeller av Computer-assistert Mønster planlegging. (A) skalp (hvitt), hodebunn utelukkelse maske (gul) og baner (purple). (B) skalp og maske gjennomsiktig vise hjernen (rosa), sulci (grønn), venene (cyan) og arterier (rød). (C) i hodebunnen og masken fjernet for å vise baner og hjerne. (D) hjernen fjernet for å vise baner, overflaten sulci, vener og arterier. Klikk her for å se en større versjon av dette tallet.

Figur 7. Grafisk visualisering av Metrics assosiert med individuelle Trajectories. Topp- lengde, vinkel traversering skallen, risiko, G / W ratio og minimum avstand fra en blodåre> 1 mm i diameter. Midt-grafisk visning av nærmeste kritisk struktur langs lengden av banen (rød-arterie, cyan-vene, y-Axis-avstand til struktur (maks 10 mm), x-Axis avstand langs banenfra hjernen innreise til målet, SM- sikkerhetsmargin representert som horisontal rød linje som markerer 3 mm separasjon av banen til kritisk struktur). Bunn- grafisk visning av bane vei gjennom grå og hvit substans (grønn-extracerebral, grå-grå materie, hvit- hvit substans). Klikk her for å se en større versjon av dette tallet.

<td> Navigasjon T1 med gadolinium

modalitet	Side	Pre-prosessering	Synsfelt (AP x RL x IS)	Voxel størrelse (AP x RL x IS)
3D T1 FSPGR	ES	Nei	256 x 256 x 166	0,94 x 0,94 x 1,1
Koronale T2 FLAIR	ES	Nei	256 x 160 x 32	0,94 x 1,5 x 3,5
NHNN	Nei	512 x 512 x 144	0,5 x 0,5 x 1,5
MR 3D fasekontrast	NHNN	Nei	256 x 256 x 160	0,85 x 0,85 x 1
CT angiografi	NHNN	Nei	512 x 512 x 383	0,43 x 0,43 x 0,75
MEG dipol	NHNN	Ja
Ictal-interiktal SPECT	UCLH	Ja	128 x 128 x 49	3,9 x 3,9 x 3,9
FDG-PET	UCLH	Ja	128 x 128 x 47	1,95 x 1,95 x 3,3
DTI	ES	Ja	128 x 128 x 60	1,88 x 1,88 x 2,4
Funksjonell MR, EEG-korrelert fMRI	ES	Ja	128 x 128 x 58

Tabell 1. bildediagnostikk brukes for bilde Integration ((ES-Epilepsi Society, NHNN-National Hospital for Neurology og nevrokirurgi, UCLH- University College London Hospital, FSPGR-FastSpoiledGradientRecalledEcho, MEG-magnetoencefalografi, SPECT-SPECT, FDG PET - fluorodeoxyglucose positronemisjonstomografi, DTI-diffusjon tensor imaging, AP- anterior posterior, RL - rett venstre, IS - underlegne overlegen).

	Manuell Planlegging *	LOKK*	Estimert Difference (Manual-CAP)	Feil	P-verdi
Elektrode Lengde (mm, en dp)	57,9 (21,8)	53,9 (15,6)	4,74	1.59	<0.05
Angle of Entry (grader feil vinkelrett, en dp)	16,2 (12,8)	13,0 (7,6)	5,89	1,07	<0.05
Risk (normaliserte enheter, to dp)	0,41 (0,79)	0,36 (0,42)	0,19	0,03	<0.05
Minimum Avstand fra Blood Vessel (mm, en dp)	4,5 (3,0)	4,5 (3,0)	-0,56	0.2	<0.05
Andel av intracerebral elektrode i grå materie (2 dp)	0,33 (0,33)	0,48 (0,28)	-0,11	0,02	<0.05

Tabell 2. Statistisk Sammenligningen mellom Manuell og Computer-Assisted Planning (CAP). * første verdien er median, andre verdien i parentes er interkvartile området. Denne tabellen er gjengitt med tillatelse fra ^16.

Discussion

I sammendraget, de viktigste trinnene for bilde integrering og 3D-visualisering er bilde co-registrering, segmentering av hjernen, skip og andre strukturer eller områder av interesse, og eksportere til en nevro system. Denne prosessen ble tidligere utført i gruppen ved hjelp av kommersielt tilgjengelige image integrering programvare. En ulempe i denne rørledningen var den tid det tar, med hele prosessen tar 2 - 4 timer. Ved hjelp av vår in-house programvareplattform, er denne rørledningen forenklet betraktelig, og kan være ferdig i 1 - 2 timer. Videre er det lagt til funksjonalitet for kirurgisk planlegging av SEEG elektrode baner på denne programvaren, som kan gjøres manuelt eller med PC-hjelp. Fordelene med CAP over manuell planlegging er økt presisjon, redusert risiko og økt hastighet, og har vært diskutert andre steder (Nowell et al, i pressen, Sparks et al, innsendt).

In-house programvareplattform er i kontinuerlig development, med nye verktøy og funksjonalitet blir lagt til støtte alle stadier av presurgical evaluering og kirurgiske inngrep. Det er derfor behov for grundig testing på hver nye versjonen. Dagens begrensninger av programvaren omfatter en mangel på høy kvalitet volumgjengivelse, som er til stede i andre plattformer og er et verdifullt tillegg for avansert 3D-visualisering. Også eksporten er bare kompatibel med en valgt nevro selskap på det nåværende tidspunkt. Disse begrensningene har ikke påvirket den kliniske nytten av programvaren i vår enhet, og har ikke bremset spredningen av teknologien til andre sentre.

Betydningen av denne programvaren er at den fjerner barrierene som tidligere grupper har sitert som grunner for ikke å bruke 3DMMI. Løsningen gir enkel å bruke verktøy i en enkelt plattform, som ikke krever spesialistutdanning eller kompetanse, tid og kostnadseffektivt og er lett oversettes til klinisk praksis. Vi har plans å legge til flere nyvinninger til programvaren for å støtte epilepsi kirurgi. Videre er fremgangsmåtene kan lett bli anvendt på andre områder av nevrokirurgi, slik som fjerning av lav grad tumorer nær talende cortex, fokal lesioning og levering av målrettet stimulering. 3DMMI og presise kirurgisk planleggingsverktøy vil trolig bli stadig viktigere i moderne kirurgi, som mer utfordrende saker blir tatt på og som minimalt invasive behandlinger skriv vanlig praksis.

Materials

Name	Company	Catalog Number	Comments
EpiNav	UCL		Inhouse software platform for image integration, segmentation, visualisation and surgical planning
Freesurfer	Martinos Centre for Biomedical Imaging		Software for cortical segmentation
S7 Stealthstation	Medtronic		Neuronavigation system
MeshLab	ISTI-CNR		3D mesh processing software
NiftiK	UCL		Translational imaging platform
AMIRA	Visualisation Sciences Group		Image integration software